行业间波动溢出效应的研究

——基于投资者情绪视角
China Inter-Industry Spillover Effects:

A Study from the Perspective of Investor Sentiment

学位申请人 吴学鹏

指导教师 葛蕾

学科专业 金融工程

学位类别 经济学硕士

2024 年 5 月
分类号 密级

U.D.C

行业间波动溢出效应的研究

——基于投资者情绪视角

Inter-Industry Spillover Effects:

A Study from the Perspective of Investor Sentiment

学位申请人： 吴 学 鹏

学 号： 2210202Z2029

学 科 专 业： 金融工程

研 究 方 向： 金融风险管理

指 导 教 师： 葛 蕾

定 稿 时 间： 2024 年 5 月
 摘要

摘要

随着经济全球化的进行，防范金融系统性风险已经成为中国资本市场发
展的重要课题，系统性风险所表现出来的溢出效应备受关注。股票市场作为
中国最主要的资本市场，其风险溢出规模和程度日益加深，各大行业板块之
间“同涨同跌”的情况并不鲜见，这种股市行业间的联动对市场风险监管和投
资者进行投资决策都带来了较大的挑战。投资者作为市场交易的主体，其行
为会显著的影响股市波动。我国股市散户占比较高，该类投资者有着专业知
识储备不足、信息获取能力较差和决策投机性较强等特点。在“羊群效应”推动
下，投资者非常容易出现从个人到群体的非理性行为，从而增加系统性风险
发生的概率，特别在极端事件发生时，这种效应会加剧。因此研究行业间风险
溢出效应并探讨投资者行为对行业间风险溢出的影响有着重要意义。
本文从波动溢出的角度对风险溢出进行研究，以 2014 年 6 月 12 日至 2023
年 8 月 31 日为时间区间，首先使用 GARCH（1，1）模型计算各行业指数波
动率。在此基础上采用时变向量自回归(TVP-VAR)模型对所得 11 个行业的波
动率序列进行拟合。利用 D-Y 方差分解溢出指数框架计算行业间波动溢出效
应、各行业对其他行业的波动溢出和各行业输出和遭受其他行业波动溢出的
差值，分别定义为总溢出指数、各行业方向性溢出指数和净溢出指数。然后从
静态和时变的角度对行业间波动溢出效应进行分析，并运用复杂网络方法将
行业间波动溢出的方向性和大小可视化，从网络视角探讨全样本时期和极端
事件发生时行业间的波动溢出效应有何不同。进一步的，本文以投资者情绪
为解释变量，研究其与行业间波动溢出之间的关系。在投资者情绪指标构建
上，本文使用 python 从东方财富网的大盘股吧爬取了 640 多万条评论，通过
分词和情感打分得到日度的投资者情绪指标，最后通过实证回归的方式研究
投资者情绪与行业间波动溢出的联系。

I
行业间波动溢出效应的研究——基于投资者情绪视角

本文研究结果表明：
（1）行业间的波动溢出大于行业内的波动溢出。
（2）
行业间波动溢出的网络结构在不同事件冲击下会产生不同的变化。材料和能
源行业在网络结构中占据重要位置。（3）各行业对其他行业的波动溢出和净
溢出的程度是时变的，在极端事件发生时会有较大的波动。
（4）全样本时期，
投资者情绪的上升会加大行业间波动溢出效应，此时乐观的投资者情绪上升
有助于波动溢出的减少，而悲观的投资者情绪会增加行业间波动溢出，悲观
的投资者情绪影响大于乐观的投资者情绪。
（5）在极端事件发生时期，投资者
情绪的上涨会对行业间波动溢出产生负向影响。（6）投资者情绪的上升对下
游行业如可选消费和主要消费行业的溢出效应有着正向影响，对于其他行业
的溢出效应有着负向影响。
本文创新性的将较为传统的溢出指数框架与市场投资者行为结合，实证
分析了投资者情绪与行业间波动溢出效应的关系，并进一步研究了极端事件
发生时的影响。本文的研究结果对于投资者进行投资决策和监管部门实施政
策有着一定的参考作用。投资者应当重视不同行业间的溢出效应从而更理性
的投资，当极端事件发生时，监管者应注意控制行业间溢出导致的后果。
本文可能有如下不足：
（1）本文所用溢出指数框架并没有考虑尾部风险。
（2）社交网络文本情感分析结果可能不够精确。未来一方面可选用更丰富的
词库对文本进行分词、打分，另一方面可以扩大文本信息来源，从不同的社交
网络平台获取信息。

关键词：风险传染；波动溢出效应； TVP-VAR 溢出指数；投资者情绪；复杂

网络

II
 Abstract

Abstract
With the progress of economic globalization, preventing systemic financial
risks has become an important issue in the development of China's capital market,
and the spillover effects manifested by systemic risks have received considerable
attention. As the primary capital market in China, the stock market's scale and depth
of risk spillover have been increasing. The phenomenon of "rise and fall together"
among major industry sectors is not uncommon, posing significant challenges to
market risk supervision and investor decision-making. Investors, as the main
participants in market transactions, significantly influence stock market volatility.
With a high proportion of individual investors in China's stock market, these
investors lack professional knowledge, have limited information access, and exhibit
strong speculative tendencies. Under the influence of the "herd effect," such
investors are prone to irrational behavior, increasing the probability of systemic risk
occurrence, especially during extreme events. Therefore, studying inter-industry
risk spillover effects and investigating the impact of investor behavior on these
spillovers are of great significance.
This paper conducts a study on risk spillover from the perspective of volatility
spillover, taking the period from June 12, 2014, to August 31, 2023, as the time
interval. Firstly, the GARCH (1,1) model is used to calculate the volatility of each
industry index. Subsequently, a Time-Varying Vector Autoregression (TVP-VAR)
model is employed to fit the volatility series of the 11 industries obtained. By
utilizing the D-Y variance decomposition spillover index framework, the inter-
industry volatility spillover effects, spillovers of each industry to other industries,
and the differences between industries' output and reception of volatility spillovers
are calculated, defining them respectively as the total spillover index, directional
spillover index of each industry, and net spillover index. The paper then analyzes

III
行业间波动溢出效应的研究——基于投资者情绪视角

the inter-industry volatility spillover effects from both static and time-varying
perspectives. Complex network methods are applied to visualize the direction and
magnitude of inter-industry volatility spillovers, exploring differences in volatility
spillover effects between the entire sample period and extreme events from a
network perspective. Furthermore, the paper investigates the relationship between
investor sentiment and inter-industry volatility spillover. In constructing investor
sentiment indicators, Python is used to crawl over 6.4 million comments from the
stock section of Eastmoney.com, obtaining daily investor sentiment indicators
through segmentation and sentiment scoring. Finally, the relationship between
investor sentiment and inter-industry volatility spillover is studied through impulse
response and empirical regression.
The results of this study indicate: (1) Inter-industry volatility spillover is
greater than intra-industry volatility spillover. (2) The network structure of inter-
industry volatility spillover varies under different event shocks, with materials and
energy sectors holding important positions. (3) The degree of volatility spillover and
net spillover between industries varies over time, with significant fluctuations
during extreme events. (4) During the entire sample period, rising investor sentiment
increases inter-industry volatility spillover. Optimistic investor sentiment helps
reduce spillovers, while pessimistic sentiment increases inter-industry volatility
spillover, with pessimistic sentiment having a greater impact than optimistic
sentiment. (5) During extreme event periods, rising investor sentiment negatively
affects inter-industry volatility spillover. (6) Rising investor sentiment positively
affects spillover effects in downstream industries such as optional consumption and
major consumption industries and negatively affects spillover effects in other
industries.
This paper innovatively combines the traditional spillover index framework
with market investor behavior, empirically analyzes the relationship between
investor sentiment and inter-industry volatility spillover effects, and further studies

IV
 Abstract

the impact during extreme event occurrences. The research findings provide
valuable insights for investors' decision-making and regulatory policies. Investors
should pay attention to spillover effects between different industries to make more
rational investments. During extreme events, regulators should be cautious of the
consequences of inter-industry spillovers.
This paper may have the following limitations: (1) The spillover index
framework used in this paper does not consider tail risks. (2) The sentiment analysis
results of social network texts may not be precise enough. In the future, richer
lexicons can be used for text tokenization and scoring, and information sources from
different social network platforms can be expanded.

Keywords: Risk contagion; Volatility spillover effects; TVP-VAR spillover

index; Investor sentiment; Complex network

V
 目 录

1 绪论......................................................................................................... 1
1.1 .选题背景 ........................................................................................... 1
1.2 研究目的 ........................................................................................... 2
1.3 研究意义 ........................................................................................... 2
1.3.1 理论意义 ..................................................................................... 2
1.3.2 现实意义 ..................................................................................... 3
1.4 论文创新点 ....................................................................................... 4
1.5 研究方法 ........................................................................................... 5
1.6 研究内容与研究框架....................................................................... 5
1.6.1 研究内容 ..................................................................................... 5
1.6.2 研究框架 ..................................................................................... 6
2 文献综述................................................................................................. 8
2.1 波动溢出相关研究........................................................................... 8
2.1.1 波动溢出的定义 ......................................................................... 8
2.1.2 波动溢出的测度方法和实证研究............................................. 8
2.2 投资者情绪相关研究..................................................................... 11
2.2.1 投资者情绪定义 ....................................................................... 11
2.2.2 投资者情绪指标构建 ............................................................... 11
2.2.3 投资者情绪与风险传染 ........................................................... 13
2.2.4 特殊事件冲击与投资者情绪的联系....................................... 13
2.3 复杂网络相关研究......................................................................... 14
2.4 总结 ................................................................................................. 15
3 理论基础与研究方法 .......................................................................... 16
3.1 股市波动溢出及其特性................................................................. 16
3.2 波动溢出的产生机理和影响因素 ................................................ 16
3.3 波动溢出测度的相关理论 ............................................................ 17
3.4 投资者情绪相关理论..................................................................... 18
3.5 TVP-VAR-DY 溢出指数模型 ........................................................ 20
3.5.1 TVP-VAR 模型的理论推导 ..................................................... 20
3.5.2 DY 溢出指数构建 ..................................................................... 22
3.6 复杂网络相关理论......................................................................... 24
3.7 本章小结 ......................................................................................... 25
4 投资者情绪指标构建 .......................................................................... 26
4.1 数据爬取 ......................................................................................... 26
 4.2 投资者情绪指标构建..................................................................... 28
4.2.1 分词处理 ................................................................................... 28
4.2.2 文本情感分析及投资者情绪指标构建 .................................. 29
4.3 本章小结 ......................................................................................... 31
5 实证研究............................................................................................... 32
5.1 数据来源与处理............................................................................. 32
5.1.1 股市数据来源与处理 ............................................................... 32
5.1.2 投资者情绪数据来源 ............................................................... 34
5.1.3 样本数据分析和描述 ............................................................... 34
5.2 行业间波动溢出效应和网络结构 ................................................ 40
5.2.1 行业间波动溢出静态分析 ....................................................... 40
5.2.2 行业间波动溢出效应动态分析............................................... 41
5.2.3 行业间波动溢出网络结构 ....................................................... 46
5.3 投资者情绪对行业间波动溢出效应影响的实证研究 ................ 50
5.3.1 回归分析 ................................................................................... 50
5.3.2 投资者情绪对各行业波动溢出的影响 .................................. 54
5.3.3 极端事件冲击下投资者情绪对行业间波动溢出效应的影响
........................................................................................................... 59
5.4 本章小结 ......................................................................................... 62
6 稳健性检验........................................................................................... 65
7 研究结论和展望 .................................................................................. 67
7.1 主要工作和结论............................................................................. 67
7.2 启示与建议 ..................................................................................... 68
7.3 研究展望 ......................................................................................... 69
参考文献................................................................................................... 70
 1 绪论

1 绪论

1.1.选题背景

金融是世界经济活动的重要组成部分，具有促进经济发展、调整经济结
构和弥补资金不足等功能。习近平总书记在 2017 年的全国金融工作会议上指
出一方面金融是国家重要的核心竞争力，另一方面，金融的安全在一定程度
上影响着国家安全，并强调了防范金融系统性风险发生的重要性，要把这一
主题放在更为重要的位置。2017 年，党的十九大提出了以不发生系统性金融
风险为底线的金融监管使命。2019 年，习近平总书记再次指出，要进一步提
高“完善金融服务，防范金融风险”的重要程度。防范和化解金融系统性风险是
“十四五”时期中国金融市场发展和中国金融工作的根本任务。金融融风险具
有不确定性、隐蔽性、复杂性、传染性等特征，如何防范化解金融系统性风险，
维持金融系统稳定逐渐成为国内外学者关注的热点话题。
风险溢出是金融系统性风险的一个重要表现形式。在经济全球化的背景
和国家政治事件冲击下，各国尤其是中国的证券市场，风险溢出程度越来越
高，传导速度越来越快。各金融板块、领域的联系不断加深，风险传染性不断
增强。由于风险溢出效应的存在，使得准确评估某一金融部门的风险水平变
得较为困难。应对系统性金融风险冲击，维持金融系统稳定迎来挑战（Hautsch
等, 2015）。当某一金融机构或市场遭受冲击时，风险可能会由此传递到与其
联系较为紧密的其他金融机构或市场，体现出风险的交叉传染和联动效应
（Benoit 等, 2017），进一步很可能导致金融危机的出现。因此，如何评估各部
门之间的风险溢出效应成为了一个重要课题。近 30 年来，中国股票市场的融
资规模和市场规模都有了显著增长，各行业之间的联系越来越紧密，各大行
业上市公司在股市中的表现被投资者注意并在一定程度上左右了投资者的投
资和交易决策。这使得某一行业的价格波动传递到其他行业的现象越来越明
显，行业间的波动联动效应愈发显著，因此对行业间波动溢出效应进行更进
一步的研究有着必要性。
投资者作为证券市场的交易主体，其行为会显著的影响到股市表现。过
1
行业间波动溢出效应的研究——基于投资者情绪视角

往研究表明，当 SARS、地震、海啸等极端事件发生时，投资者的心理状态会
显著的受到影响，当这种影响传递到证券市场后表现出来就是股市的剧烈波
动。我国股市个体投资者占比较高，这些投资者由于专业能力不足、获取信息
能力较差和短视等特点，非常容易受到非理性情绪的影响做出非理性的决策。
在市场出现剧烈波动时，个人投资者的上述不足很容易导致市场上非理性情
绪蔓延和虚假信息传播。特别近年来社交网络平台的发展使投资者获取信息
和表达情绪的途径更加多样化，增加了风险传染概率。
综上所述，本文将在溢出指数框架下测算股市行业间波动溢出效应，并
研究在极端事件发生时期行业间的波动溢出效应如何变化。进一步的，本文
将从社交网络平台上爬取股吧评论，以此构建投资者情绪指标，对投资者情
绪与行业间波动溢出之间的联系展开研究。

1.2 研究目的

随着金融市场的发展，各行业的联系越来越密切，金融风险更容易在行
业间进行扩散和重叠。而风险扩散主要来源于资产波动在各领域、行业间的
传导，尤其在金融市场发生不同程度的波动时，金融系统内部风险联动性更
强，波动传导路径形成的网络结构特征成为了研究金融市场风险溢出机制的
重要内容。近年来，研究非理性情绪、散户情绪与市场波动之间关系的较多，
也有部分学者通过各种方式构建投资者情绪指标进行分析投资者情绪对证券
市场的影响。本文主要将通过 TVP-VAR-DY 溢出指数框架测算行业间风险溢
出指数。通过 Python 爬取股吧评论信息进行文本情感分析后构建投资者情绪
指标，以此作为解释变量研究投资者情绪在行业间波动溢出中的作用。本文
将尝试回答以下问题：
（1）行业间波动溢出效应有何特点？（2）波动溢出的
方向是是什么样的？（3）随着时间的推移和极端事件的发生，这种波动溢出
的形式有何改变？（4）投资者情绪对行业间波动溢出效应有何影响？

1.3 研究意义

1.3.1 理论意义

自上世纪 90 年代以来，国家间、市场间、行业间的联系日渐紧密，防范
2
 1 绪论

化解金融系统性风险逐渐成为国内外学者关注的热点话题。从产业链上下游
角度来看，各行业在产业中的上下游关系很大程度上决定了各行业在金融市
场上的波动联动关系，何诚颖（2001）就阐述了中国股市存在的这种显著的
“板块现象”。WuFei（2019）的研究表明，中国股市行业间的风险传染愈发频
繁，但是如何量化风险溢出效应成为了该方向研究的重点问题。目前有关风
险溢出效应的研究主要通过 VaR 和波动率两个方面进行探索，自 Baumol
（1963）提 出风险价值（VaR）这一概念后，CoVaR、ΔCoVaR 也相继由 Adrian
和 Brunner（2016）提出，分别度量条件风险价值及其溢出效应，目前研究风
险溢出的方法主要有 Copula 类、CoVaR 类以及 GARCH 类模型，但是上述模
型尚不足以很好的拟合金融市场风险溢出效应的方向、程度以及时变性，后
虽有学者通过滚动窗口 VaR 研究风险溢出，但是使用该方法来研究风险溢出
效应的时变性会导致大量信息损耗，更好的方式是采用时变参数 VAR（TVP-
VAR）来对市场风险溢出进行刻画（Antonakakis 等,2018）。进一步的，通过作
图形式可以更加全面且直观展现金融市场间的风险传导路径和方向
（Barigozzi 和 Hallin，2017），例如宫晓莉等（2020）就采用复杂网络方法对
金融各市场间的波动传导路径进行了刻画。因此本文采用 TVP-VAR-DY 溢出
指数框架结合复杂网络对行业间波动溢出结构进行研究，并讨论投资者情绪
对波动溢出的影响，为研究行业间波动溢出提供了新思路和依据。

1.3.2 现实意义

在经济和金融全球化的背景下，金融部门之间的一体化和联系程度逐渐
加深。金融风险的跨部门溢出效应成为影响金融稳定的重要因素。而股票市
场是证券市场的重要组成部分，拥有庞大的受众和广泛的覆盖范围，对金融
市场至关重要，其变化对金融市场有着重大影响。不同股票部门之间的联系
构成了风险传染的渠道。金融风险通过股票部门之间的传染和积累，其破坏
力和影响力大大增强,最终可能会发生严重的系统性金融危机。不仅如此，中
国股票市场发展时间短，市场运作不够成熟，导致股票市场很容易暴涨暴跌。
随着投资领域之间的联系越来越密切，配置板块资产已成为投资者的一种投
资趋势。这种投资习惯引发了板块波动的聚集现象，表现为不同股票板块的
价格往往一起涨跌，因此投资者必须仔细评估溢出效应大小和方向。不仅如
3
行业间波动溢出效应的研究——基于投资者情绪视角

此，投资者的投资决策会放大或缩小这种效应，影响到股市未来的走向，投资
者需要这类信息来进行投资组合风险管理，以便为不同市场制定不同的投资
策略，并决定是否可以从风险分散中受益。综上，研究股票行业之间的风险溢
出及其与投资者行为之间的关系，有效识别股票部门之间的风险传染模式，
对于控制系统性风险、管理金融市场风险和规范投资者决策具有重要的现实
意义。

1.4 论文创新点

本研究的创新性贡献有如下几点：
（1）研究角度的创新
现有研究大多研究风险溢出机制与方向，极少有对风险溢出背后的影响
因素进一步研究，部分学者将投资者情绪与市场波动联系起来但是也忽视了
市场上不同板块、部门之间的波动联动的特性。本文使用文本情感分析的方
式构建投资者情绪指标，所构建的投资者情绪指标相对于数据库里已有投资
者情绪指标更加能反映投资者情绪。在此基础上通过实证回归研究投资者情
绪与行业间波动溢出的关系，在研究的全面性上有所提升，为国内金融市场
行业间风险溢出研究作出贡献，同时提供了一些风险控制的新视角。
（2）研究内容的创新
以往研究大多集中于不同国家、不同市场间风险溢出，忽视了不同行业
作为产业链中不同的上下游在经济发展中所扮演的角色。本文选取中证一级
行业分类的 11 个行业指数，涵盖上游、中游、下游以及支撑行业，并刻画各
行业之间的波动溢出网络，考虑到了不同行业之间由于供需等影响表现出的
波动联动性，为金融领域的相关研究提供了一定的补充。
（3）研究方法的创新
此前虽然有学者在风险溢出指数进行探索，但所用方法多采用滚动窗口
形式，会丢失部分观测值。本文采用时变参数向量自回归（ TVP -VAR）为基
础的 DY 溢出指数框架，在不损失信息的基础下较好刻画了金融市场行业间
风险溢出的时变性。本文划分时间阶段对风险传染效应进行研究，探讨不同
极端事件发生时期行业间波动溢出效应。

4
 1 绪论

1.5 研究方法

（1）文献研究法
本文阅读了大量国内外有关风险传染、溢出效应测度和投资者情绪的文
献。对已有文献阅读分析比较之后，总结出以往研究所采用的理论模型和实
证结果，在此基础上形成本文自身逻辑并提供一些创新性思考。例如以往对
波动溢出的研究大多停留在波动溢出的测算，并没有更进一步对波动溢出的
影响因素进行探索，也忽视了投资者作为市场主体在波动溢出中的作用。因
此本文在前人研究基础基础上考虑了投资者行为对波动溢出的影响，希望能
够一定程度上丰富该方向的研究成果。
（2）实证研究法
本文通过 GARCH（1,1）模型估计各行业收益率的波动率，然后参照
Antonakakis 等（2020）以时变参数向量自回归（TVP-VAR）为基础构建 DY
指数模型来刻画各行业之间的波动率溢出效应，并采用复杂网络的方法，构
建行业间波动溢出网络，进一步研究静态和时变下不同时间段的波动溢出特
征。最后使用文本分析的方式构建投资者情绪指标，实证分析行业间波动溢
出与投资者情绪之间的联系。

1.6 研究内容与研究框架

1.6.1 研究内容

（1）参考杨立生和杨杰（2023）选取中证行业指数一级分类的 11 个行
业指数，使用 GARCH（1,1）模型计算各行业的波动率序列。
（2）参考宫晓莉和熊熊（2020）的研究，通过时变参数 VAR（TVP -VAR）
对 11 个行业的波动率序列进行建模，在此基础上根据 D-Y 溢出指数框架分
别计算行业间波动溢出效应、各行业对其他行业的波动溢出和各行业输出和
遭受其他行业波动溢出的差值，分别定义为总溢出指数、各行业方向性溢出
指数和净溢出指数。
（3）构建行业间波动溢出网络，探索行业间风险溢出的传导路径，参考
陈致远和唐振鹏（2020）的研究，确定中国股灾的时间区间为 2015 年 6 月 12

5
行业间波动溢出效应的研究——基于投资者情绪视角

日至 2016 年 1 月 31 日，参考隋建利和杨庆伟（2021）的研究，确定中美贸
易摩擦事件的时间区间为 2018 年 3 月 9 日至 2019 年 12 月 7 日，新冠肺炎疫
情的时间区间为 2020 年 1 月 1 日至 2023 年 2 月 24 日。研究不同时期行业间
波动溢出效应的静态表现和动态变化。
（4）构建投资者情绪指标实证分析投资者情绪与行业间波动溢出之间的
关系。具体做法为：首先从东方财富网上爬取构建投资者情绪指标所需文本
信息，经过数据处理和情感打分后构建日度投资者情绪指标，最后以行业间
总波动溢出指数为因变量以投资者情绪为解释变量运用多元线性回归分析二
者联系。进一步的，本文还以各行业方向性溢出和净溢出为被解释变量与投
资者情绪进行回归，研究投资者情绪对不同行业的溢出有何影响。

1.6.2 研究框架

本文共有七个章节，内容框架如下：
第一章为绪论，介绍了本文的研究背景、研究目的和研究创新点，并对本
文总体研究思路和内容进行了阐述。
第二章为文献综述，对有关波动溢出、投资者情绪和复杂网络相关的研
究进行了概述。
第三章为理论基础，系统的阐述了股市波动产生机理、股市波动溢出的
测度方式、行为金融学与投资者情绪的相关理论，并构建了 TVP-VAR 模型、
波动溢出指数模型和复杂网络模型，为后文研究提供了详细的理论基础。
第四章为投资者情绪指标构建，报告了所用文本数据来源、数据抓取方
式、文本分析方式和最后指标构建方式。
第五章为实证分析，首先报告了本文数据来源并进行统计行描述，然后
在 TVP-VAR-DY 溢出指数框架的基础上计算行业间波动溢出效应，接着对所
得溢出指数分别进行静态分析、动态分析及行业间波动溢出网络构建，最后
结合投资者情绪进行实证回归。
第六章为稳健性检验，更换控制变量之后对主回归进行检验，检验结果
显示第五章所得结果是稳健的。
第七章为总结和展望，对本文研究结论进行总结，提出一些建议，并思考
本文不足和后续展望。
6
 1 绪论

图 1-1 论文技术路线图

7
行业间波动溢出效应的研究——基于投资者情绪视角

2 文献综述

2.1 波动溢出相关研究

2.1.1 波动溢出的定义

有关波动溢出的概念有联动、风险传染和波动溢出，部分学者对“联动”
（Co-movemen）进行定义，张仁坤（2020）认为“联动”是金融市场行业间溢
出的一种表现形式，反映了不同的部门之间如何相互联系和作用，其本质在
于信息冲击下带来的跨市场、跨部门的变化传递。波动溢出溢出效应也称为
风险溢出（Risk spillover）效应，解释了风险从某一部门传导至其他部门的情
况。
风险“传染”（Contagion）的概念与前述概念相似，Allen 和 Gale（2000）
提出了有关金融连通性和金融风险传染的观点，并研究了传染和溢出之间的
关系，前者本质上其实是一种溢出效应（Wu 等，2019；方意等，2020）。根
据 Forbes 和 Rigobon（2002）的描述，“传染”表示国家或市场之间的相互影响
程度会在遭受巨大金融事件冲击的时候显著增加。
（Billio 等，2012）提出“传
染”是系统性风险概念的核心，表示一些严重的后果从某一部门或市场传递到
另一部门或市场。而这种金融传染的来源是市场共同因素之外的过度过度依
存性（Alter 和 Beyer，2014）。

2.1.2 波动溢出的测度方法和实证研究

2.1.2.1 波动溢出测度的研究概况
当市场波动率增加时，市场间相关性会显著提升（Longin 和 Solnik，2001）。
然而，相关性无法体现金融风险传染的因果联系，因此协整检验纠错模型、
DCC-GARCH 模型、格兰杰因果关系检验、和 Copula 函数等方法逐渐被广泛
用于金融市场风险传染的研究中（Thalassinos 和 Politis，2011；Golosnoy 等，
2015）。上述方法并不足以描述多个国家、市场、机构或部门之间的风险溢出
联系。因此，自 Baumol（1963）提出风险价值（VaR）这一概念后，CoVaR、
ΔCoVaR 也相继由 Adrian 和 Brunner（2016）提出，分别度量条件风险价值及
8
 2 文献综述

其溢出效应，从而衡量单个机构对金融系统的溢出效应。Acharya 等（2017）
提出了 MES 指标，Brownlees 和 Engle（2015）在此基础上通过考虑金融机构
的负债和资产规模开发了 SRISK 指标用于衡量风险贡献。此外，White 等
（2015）提出了多变量和多分位数 CAViaR（MVMQ-CAViaR）模型研究金融
机构的极端风险水平和溢出效应。董珊珊和冯芸（2017）使用双变量 CAViaR
的方法，对沪深 300 股指期货和沪深 300 指数之间的风险溢出关系进行了衡
量。目前有关风险溢出效应的研究大多通过 VaR 和波动率两个方面进行探索，
研究方法主要有 Copula 类、CoVaR 类以及 GARCH 类模型， 但均无法很好
的拟合金融市场风险溢出效应的方向、程度以及时变性，后虽有学者通过滚
动窗口 VaR 研究风险，但是使用该方法来研究风险溢出效应的时变性会导致
大量信息损耗，或有学者采用结合时变 Copula（SJC-Copula）
（吴金宴和王鹏，
2022；Qiang 等，2021）的方式研究金融市场及其子市场或农产品市场之间的
时变风险溢出效应，Yao 等（2023）也提出了 GARCH-MIDAS-GAS-Copula 模
型来计算 CoVaR 研究中美股市之间的风险动态传导机制，考虑到了 CoVaR 时
变性。
总体来说目前有关溢出效应的计量方法主要有两类。第一类是 Asaturov
等（2015）所采用的广义自回归条件异方差（GARCH）模型。Asaturov 利用
DCC-GARCH 模型研究波兰和俄罗斯两国在金融危机期间的长短期波动溢出
效应，分析了在不同时期下长期波动效应和短期传染效应产生的不同后果。
Baldi 等（2016）基于于 GARCH-BEKK 模型，以标准普尔 500 指数和商品市
场作为研究对象，构建波动率传导的脉冲响应函数，讨论了波动溢出的时变
性。第二类是 Diebold 和 Yilmaz（2009）的溢出指数及其后续提出的相关拓展
（Diebold 和 Yilmaz，2012；2014；2015）。Antonakakis 等（2018）结合时变
参数向量自回归（TVP-VAR）来对市场风险溢出进行刻画，核心在于预测误
差的方差分解，并将 TVP-VAR 模型与三种不同的滚动窗口结果进行比较分析
（Antonakakis 等，2020），结果表明 TVP-VAR 优于滚动窗口的度量形式。
Jebabli 等（2014） 使用 TVP-VAR 对 2008 年金融危机前后的风险溢出效应进
行研究发现在金融危机之后的风险溢出效应显著增加。
2.1.2.2 国家间与市场间溢出效应的研究

9
行业间波动溢出效应的研究——基于投资者情绪视角

目前对风险溢出效应的研究主要集中于不同国家间、市场间的联动。例
如范奎等（2010）实证分析了全球主要股市间的均值和波动溢出效应，研究结
果表明股市的均值和风险溢出之间的联系具有非线性特征。也有学者针股市
与原油市场进行研究，发现多国家不同市场之间存在显著的波动溢出效应
（Hassan 等，2020）。Balcilar 等（2023）编制了综合金融压力指数研究 11 个
中东北非国家之间的金融联系和风险传导。得出了在长期或极端压力情况下，
金融风险有着显著溢出效应。吴永钢等（2019）对四种金融机构和四个金融市
场进行研究，认为中国金融机构与市场间的极端风险溢出效应存在非对称相
依性，二者分别为风险传输者和接受者，但极端风险事件会改变这种关系。张
雪彤等（2022）通过多元多分位数条件自回归模型（MVMQ-CAViaR）研究了
在极端金融事件发生的情况下发达市场与新兴市场之间的尾部风险传染机制，
发现出现金融危机时信息不对称、流动性约束和羊群行为都是市场间风险溢
出的原因。Ding 等（2022）对碳、化石能源以及清洁能源市场这三者进行研
究，发现短期碳市场是石油市场和清洁能源市场风险溢出的净接收方，但长
期却是煤炭市场和天然气市场溢出的净输出方，即风险溢出效应存在时变性。
Wen 等（2023）通过 C-vine-copula 分位数回归研究跨国风险溢出发现中国和
美国市场对东亚市场有着巨大的风险溢出效应。Yuntong L 等（2022）对全球
十六个主要股市的已实现波动率进行研究，发现在疫情冲击下，欧美地区的
风险溢出效应迅速增加，亚洲地区则与之相反，且大流行冲击造成的风险传
染可以维持很长一段时间，Bana（2021）采用 DCC-GARCH 结合 CoVaR 从极
端风险的角度也对此问题进行了研究，发现欧美市场所遭受或提供的边际极
端风险冲击比亚洲市场更大。Khamis 等（2019）通过动态等相关模型（DECO）
结合 Diebold 和 Yilmaz（2012；2014）研究的溢出指数对期货市场与股票市场
之间的风险溢出效应进行了探讨。
2.1.2.3 行业间溢出效应的研究
周开国（2020）提出分析行业间风险溢出效应非常重要，对行业风险与宏
观经济之间的传导效应进行研究有助于我们防范化解金融系统性风险。中国
股市长期存在显著的“板块现象”（何诚颖，2001），且行业间的风险传染愈发
频繁（WuFei，2019），如何量化风险溢出效应成为了该方向研究的重点问题。

10
 2 文献综述

丁庭栋等（2012）认为国内不同行业的波动会增加金融系统风险。Naeem 等
（2022）量化了美国前 10 个行业之间的系统性风险溢出，发现使用非线性过
程来衡量风险会存在显著变化。张伟平和曹廷求（2022）对我国房地产行业的
A 股上市房企进行研究，从微观层面分析房地产行业的风险传导机制。杨立
生和杨杰（2023）从高频时间序列中得出行业风险溢出的重要来源，探讨了行
业间联动效应的整体趋势和行业间波动的异质性。刘超等（2020）对我国市场
行业间的系统性金融风险的研究包含了静态和动态两种角度同时区分了不同
的时间区间，探索了风险溢出效应如何随着时间尺度的变化而改变。

2.2 投资者情绪相关研究

2.2.1 投资者情绪定义

一般而言，投资者情绪指的是投资者心理状态的一种体现，这种心理状
态对投资者的投资者决策有着重要影响，属于行为金融学的范畴。国内外学
者对行为金融学的研究最具代表性的就是 Fama（1970）提出的有效市场假说
（EMH），该假说认为在证券市场上若价格反映了一切所有可以获得的有价值
的信息，那么这个市场就是有效市场。而作为行为金融学研究的重点问题，有
关投资者情绪的探索一直都处于蓬勃发展的状态，相关研究涉及到股市、期
货等各大市场，与收益率、波动率和风险等方向密不可分，将投资者情绪引入
分析框架中可以更好的解释投资者行为和经济现象。Baker 和 Wurgler（2006）
明确指出难以从风险中性和去情绪化的投资者视角去解释一些重大的金融危
机事件，从行为金融角度出发可以合理的对市场异象进行解释。在对投资者
情绪进行界定时，部分学者认为投资者情绪是投资者对未来股市回报的一种
倾向（饶育蕾和杨琦，2003）。胡昌生和池阳春（2014）从投资者情绪的理性
和非理性两个方面对投资者情绪做出研究，认为理性和非理性情绪对未来均
有预测作用。

2.2.2 投资者情绪指标构建

2.2.2.1 基于直接指标和间接指标的投资者情绪指标构建
如何度量投资者情绪目前学界还未有一个统一的框架，传统的投资者情

11
行业间波动溢出效应的研究——基于投资者情绪视角

绪指标有基于主观线上线下问卷调查的直接指标和基于客观金融市场的历史
投资数据进行构造的间接指标。直接指标有例如密歇根大学的消费者信心指
数（ICS）（Qiu 和 Welch，2004）、中央财经频道的看盘指数和国家统计局的
消费者信心指数等。由于调查频率、真实性和调查成本等问题导致使用这类
情绪指标具有显著局限性（Da 等，2014），学界逐渐降低了该类指标使用的频
率。间接的投资者情绪指标多采用一个或多个代理变量来衡量投资者情绪，
常用的有封闭式基金折价率（Lee 等，1991；Ljungqvist 和 Wilhelm，2003）、
换手率（Baker 和 Stein，2004；杨潇，2016）以及何诚颖等（2021）提出的
非主力资金买卖不平衡指标等。后续有学者将多个情绪指标组合，使用主成
分分析（PCA）方法构建符合指标，例如，Baker 和 Wurgler（2007）选用 IPO
首日回报率等六个代理指标构建 BW 指数，国内学者如易志高和茅宁（2009）
选取 IPO 数量等指标用主成分分析法构建了 CICSI 指数，这种构建综合指标
的方式可以在一定程度上弥补使用单一指标代表投资者情绪时的不足。
2.2.2.2 基于文本挖掘技术的投资者情绪指标构建
随着计算机技术的不断进步，社交网络平台的不断发展，大量学者运用
文本数据挖掘和情感分析的技术来分析用户的投资行为，数据来源主要为新
闻报道、搜索平台、社交平台等。部分学者对新闻报道和金融文章进行研究构
建投资者情绪指标（Barber 和 Odean，2008；Dougal 等，2012； Heston 和
Sinha，2015）探究投资者情绪对股市的影响，国内有学者以百度新闻报道为
基础，运用机器学习文本分析的方法计算投资者情绪倾向得分（张宗新和吴
钊颖，2021）。随着时代的发展和网络社交平台的活跃，投资者倾向于在各种
股吧和财经网站上分享自己的观点，这些网站的文本信息可以非常形象的反
应公众情绪，构成了近年投资者情绪指标构建的重要数据来源。国外研究大
多来源于 twitter 和 Facebook 这两个社交平台。Das 和 Chen（2007）对 24 只
高科技股票的董事会评论进行文本分析获取情感信息从而构建投资者情绪指
标，Si 等（2013）以 Twitter 中的数据为基础构建情绪指标对股市进行预测，
Ruiz 等（2012）也使用 Twitter 作为数据源，将发帖数量、用户结构和转发数
量等信息纳入指标构建中，结果与股市有着高度相关性。国内学者构建投资
者情绪指标时所用数据多来源于国内较大的几个社交网站，如东方财富股吧、

12
 2 文献综述

新浪财经股吧和新浪微博。黄润鹏等（2015）从新浪微博抓取海量微博数据之
后以按日度频率进行归类构建投资者情绪指标，实证表明社会情绪变化和股
票市场变化之间存在关系。罗琦等（2021）以沪深两市 A 股上市公司为研究
对象，从新浪微博的发帖抓取与盈余信息相关的文本构建投资者情绪月度指
标，结果表明股票的短期收益率与投资者盈余乐观情绪呈现显著的正相关。
尹海员和吴兴颖（2019）爬取金融界网站上证指数吧的文本信息构建投资者
情绪指标，在后续的研究中从牛市和熊市等多个维度出发，分别对日内投资
者情绪对收益率的预测表现分别进行了讨论，结果显示投资者情绪能够很大
程度上影响股票收益率。杨晓兰等（2016）以科创板的上市公司为样本，从东
方财富网股吧爬取文本信息构建投资者情绪指标，得出了在投资者情绪为正
（负）的时候本地关注关注度对股票收益率有着显著正（负）的影响。

2.2.3 投资者情绪与风险传染

目前学界针对风险溢出与投资者情绪二者的关注较少，Ding 等（2022）
的研究表明投资者对气候变化的关注是溢出效应的一个重要影响因素，且在
新冠疫情大流行期间这种影响力会增强。Long 等（2022）同样考虑了新冠疫
情时期的风险溢出渠道，运用正交分解法和事件分析法发现新闻的冲击主要
通过投资者情绪来对市场产生影响，且风险溢出在一定程度上代表了投资者
行为，另一方面，信用风险持有者的情绪与信用风险之间的相互作用能够很
大程度上影响信用风险传染（Jiang 等，2018）。吴金宴和王鹏（2022）使用
ΔCoVaR 方法构建了衡量行业间风险传染的指标，研究投资者情绪等因素对风
险传染的影响，结果显示投资者情绪越悲观，行业间的风险传染程度越高。

2.2.4 特殊事件冲击与投资者情绪的联系

一般而言，特殊事件是指海啸、地震和瘟疫等突发事件，当这类极端事件
发生的时候会对投资者心理状态造成极大的影响，进而影响到投资者对市场
的判断。当负面事件发生例如 SARS 的出现，就对中国的证券市场造成了明
显的负面效应（Nippani 和 Washer，2004）。Alfaro 等（2020）对 SARS 和 2020
年的新冠疫情事件产生的影响进行了对比分析，发现这两个事件分别对美国
股市造成了不同程度的下跌。后续的研究表明，这种股市的下跌是投资者情

13
行业间波动溢出效应的研究——基于投资者情绪视角

绪的一种表现形式，宋清华等（2020）对新冠疫情期间中国证券市场的表现进
行了研究，发现新冠疫情对中国的冲击一定程度上影响到了投资者情绪。除
了公共医疗卫生事件之外，其他可能对股市产生负面影响的消极事件也会对
投资者情绪变化产生影响，例如 Kaplanski 和 Levy （2010）的研究发现，当
飞机失事时，消极的投资者情绪会使股市出现短暂的“过度反应”，这种下降的
趋势会持续两期的时间。

2.3 复杂网络相关研究

通过作图形式可以更加全面且直观展现金融市场间的风险传导路径和方
向（ Barigozzi 和 Hallin，2017） ，近年来，许多学者试图利用现代计量经济
学方法结合网络拓扑理论来分析制度联系、市场联系和风险传染。张伟平和
曹廷求（2022）构建新指标 SIM-CoVaR 结合 TENET 网络模型构造跨房地产
企业间的尾部风险传染网络，利用块模型探索房地产行业系统性风险传导的
触发机制和路径，并考虑了不同网络结构特征对风险溢出的影响。不同市场
两两之间的风险溢出可以使用 Diebold 和 Yilmaz（2012；2014）提出的加权
有向网络来衡量。例如宫晓莉等（2020）采用复杂网络方法对金融各市场间的
波动传导路径进行了刻画。Lupu 等（2021）构建能源部门与其他经济部门的
溢出网络研究欧洲能源企业的系统性风险溢出，证明在全球金融危机和疫情
时期，所有公司的溢出效应都会增强。此外，银行、资本货物、消费者服务和
金融部门这些经济部门都对能源部门产生了风险溢出效应。Geng 等（2021）
对全球能源市场进行了更加细致的研究，构建其市场间收益和波动溢出网络，
使用滚动窗口来研究信息溢出机制的时变性。Zhou 等（2023）从高频数据入
手，通过 TVP-VAR 模型构建了中国行业间的加权有向网络，分析了中国股票
板块的溢出指数，结果显示中国各板块之间的波动性溢出是时变的、不对称
的，且在 2019 年后对信息冲击的敏感性差异呈下降趋势。杨立生和杨杰（2021）
采用 DCC-GARCH 动态溢出指数模型结合构建信息溢出的复杂网络分析了全
球股票市场的风险传染特征。李政等（2022）通过新提出的 Elastic-Net-VAR
模型构建 26 种货币的汇率波动溢出网络研究了全球货币之间的风险溢出关
系。Liu 等（2017）结合了 GARCH-BEKK 模型与网络方法对 G20 各国的波

14
 2 文献综述

动溢出进行分析，得到了韩国和巴西分别为波动溢出最大的长期输出方和接
收方这一结论。

2.4 总结

虽然目前并不缺乏对风险溢出领域的研究，但是通过对国内外文献总结
梳理可以发现如下问题：
（1）目前对于风险溢出的认识仍然有所欠缺，自金融危机过后，大部分
的研究集中于不同国家以及不同市场间风险溢出的传导机制，一方面针对行
业间的风险溢出进行的研究不够充分，另一方面未能进一步研究波动溢出效
应的影响因素。
（2）此前对于风险溢出效应的衡量未考虑其时变性，或大多采用滚动窗
口的形式，丢失了大量有价值信息，从时变角度考察风险溢出特征的研究尚
不充分。
（3）虽有部分学者利用构建复杂网络的方式对风险溢出传导路径进行了
研究，对于不同时间尺度、不同金融事件冲击下行业间风险溢出效应如何变
化的探索较少。不仅如此，该部分学者忽略了投资者行为在股市波动溢出中
的作用。在极端金融事件发生时，投资者情绪会出现剧烈波动，投资者情绪的
变化会显著影响投资者行为，例如悲观的投资者情绪会导致股市下跌，在极
端负面金融危机事件出现时，这种悲观情绪甚至会导致股市出现崩盘。因此
关注投资者情绪的悲观程度对风险溢出程度的影响可以帮助投资者更好的分
析市场间风险联动程度。
因此，本文将在已有研究的基础上首先采用 GARCH（1，1）估计波动率，
然后采用以时变参数向量自回归（TVP-VAR）为基础的 DY 溢出指数测算各
行业之间的波动率溢出效应，使用文本情感分析的方法构建投资者情绪指标，
实证分析投资者情绪与行业间波动溢出效应之间的关系，更进一步的，本文
将在不同金融事件冲击的情景下，探讨行业间波动溢出效应如何变化以及在
这些特殊时期中投资者情绪对行业间波动溢出效应、各行业的方向性溢出和
净溢出的影响。

15
行业间波动溢出效应的研究——基于投资者情绪视角

3 理论基础与研究方法
本节对有关股市波动溢出、溢出指数和投资者情绪相关理论进行梳理，
为后文研究行业间波动溢出效应提供理论基础。

3.1 股市波动溢出及其特性

波动率传染理论描述了波动率在不同资产类别之间的传播，当某一个市
场出现波动时也可能会影响到其他市场从而形成波动率传染，这种传染可能
是由于信息传递、投资者情绪和机构行为产生的。随着中国股市的蓬勃发展，
波动溢出现象在不同行业板块间越来越明显，一个行业间的波动不仅会对自
身造成影响，这种影响也会传导至其他相关行业，行业间的联系越密切，这种
传染效应就会越强，通常情况下将这种传染效应称为溢出效应。在本文中，溢
出效应也即波动溢出（Volatility spillover）、波动溢出效应。通常学术界将波动
作为衡量金融市场风险的重要指标，所以有关金融市场研究中的风险溢出
（Risk spillover）效应和波动溢出效应的含义相同。波动溢出有着时变性并涉
及到多种复杂因素。
（1）股市波动溢出的动态性：
股市的波动溢出并不是一成不变的，往往会随着时间的推移和市场环境
的变化而变化。在金融市场中，投资者的行为、宏观经济、政策等都是不断变
化的，这也就导致了股市波动具有时变性 。仅仅从静态的角度去研究波动
溢出效应是不合理的，因此本文采用的时变方式来研究波动溢出效应的动态
变化。
（2）股市波动溢出的复杂性：
股市波动溢出受到多种因素的影响，不仅仅包含投资者行为和宏观经济，
还会受到市场结构和信息传递路径等因素的影响，波动溢出的渠道也是多种
多样。

3.2 波动溢出的产生机理和影响因素

16
 3 理论基础与研究方法

Minsky（1982）提出了金融脆弱性理论，该假说认为金融系统自身的脆弱
性时市场风险传染的源头。目前有关金融脆弱性的定义已经发展为金融系统
对市场风险的抵御能力变弱，作为金融市场的一种固有属性，金融脆弱性已
经成为了影响波动溢出的主要原因。在本文中，中观层面上各行业的期限错
配、信息不对称以及委托-代理问题所产生的内在不稳定的周期性行为等问题
导致了金融市场不稳定，行业间的风险传染能力增强。股市波动溢出的产生
涉及到多个方面，包括了：市场投资者行为、市场信息传递和宏观因素。
（1）投资者行为和心理学因素：
投资者情绪在市场中具有传染性，当股市出现大幅波动的时候投资者
情绪可以通过行为和各种社交平台传递到其他板块，导致出现波动溢出。另
一方面，投资者可能会倾向于参考大多数人的决策，当某个市场遭受冲击时，
其他市场的投资者可能会随之调整自身头寸。
（2）信息传递和联动效应
新的信息、新闻或事件可能在一个市场引发波动，然后通过各种媒体和
通信渠道传递到其他市场，引发更广泛的波动。而不同资产和市场之间存在
的相关性会导致当一个市场波动时，投资者可能会调整自身在其他市场的头
寸，导致波动在不同市场之间传播。
（3）全球化和跨市场投资：
经济全球化的发展使得投资者可以轻松地跨足多个市场，当一个市场出
现波动时，国际投资者可能在其他市场调整其投资组合，引发波动溢出。还有
部分投资者采用的一些跨市场交易策略例如市场内和市场间的套利或对冲，
这可能导致在不同市场之间的波动溢出。
（4）宏观经济和政策因素：
宏观经济因素，如全球经济增长、货币政策、贸易关系等，可能在全球范
围内引发波动，从而影响不同市场。一些宏观的政策例如货币政策的改变也
会对波动溢出产生影响

3.3 波动溢出测度的相关理论

近年来，有关波动溢出如何测度的讨论层出不穷,多数方法并不是孤立的

17
行业间波动溢出效应的研究——基于投资者情绪视角

存在。主要有如下几类：
（1）相关系数法
使用时间序列数据，计算不同资产之间的波动率的相关系数，这种方式
多用来判断两个市场、国家之间的波动溢出效应是否存在，一般而言相关系
数越高，表示两者之间的波动溢出效应越强。
（2）共整合分析
共整合分析可以用来分析不同资产或市场之间的长期波动趋势，使用多
个时间序列之后进行共整合检验如 Engle-Granger 检验或 Johansen 检验判断
所选序列之间是否有着长期均衡的关系，若有着长期均衡关系则进一步研究
均衡关系的形式并研究他们之间的长期波动溢出效应。
（3）溢出指数
目前有关溢出指数的研究大多基于 VAR 类或者 GARCH 类的模型，例如
Diebold 和 Yilmaz（2014）通过向量自回归（VAR）模型进行方差分解计算多
个变量之间的波动溢出程度，杨立生和杨杰（2023）通过 DCC-GARCH 构建
溢出指数分析行业间的溢出效应。

3.4 投资者情绪相关理论

随着传统金融学理论的发展，实际市场频繁出现一些不符合传统金融理
论的现象，这促使了行为金融学的兴起。行为金融学中有两个假设与传统金
融学有所不同，分别为有限套利理论和有限理性理论。前者认为，金融市场机
制的不完备性限制了套利行为的出现；后者则认为投资者被视为“社会人”，即
其理性是有限的而不是完全理性的，非理性的“社会人”导致了资产价格与其
原定价存在偏差。目前与投资者情绪相关的部分行为金融学理论如下：
（1）“过度反应”理论（Overreaction）
强调投资者对信息的过度反应可能导致市场出现过度波动。该理论认为，
投资者在面对新信息时，倾向于一些最近的信息反而忽视了历史规律，倾向
于过度放大这些信息的影响，而非理性地进行独自判断从而引发股市的剧烈
震荡。正是因为投资者群体情绪化的反应和对股市状况的理解存在不同差异
导致了市场总是会出现过度反应现象。

18
 3 理论基础与研究方法

（2）“羊群效应”理论（Herd Behavior）
羊群效应在股市中，表现为众多投资者倾向于跟随市场的主流判断，并
非投资者自身独立的思考产生的决定，而在非理性情绪的推动下进行的非独
立的投资决策，这种行为会加大股票市场波动。个体投资者相对于机构投资
者的自身人才优势、资金优势和信息优势，缺乏专业的知识储备和投资素养
以及没有足够的资金支持，这也就导致了他们对所谓的内幕信息极其敏感。
近年来随着互联网社交平台的蓬勃发展，投资者在平台上的观点交流导致羊
群效应体现的越发明显。羊群理论的背后是投资者对他人行为的过度依赖，
而非充分考虑个体信息。羊群效应可能会导致投资者忽视基本面的变化情况，
推动市场朝着某一个方向迅速发展，从而导致市场过度波动和价格的不合理
变动。
（3）情绪驱动理论（Affect Heuristic）
情绪驱动理论认为投资者的情绪状态会对其投资决策产生显著的长期影
响，例如乐观、恐惧和贪婪等不同的投资者情绪会对投资者的决策产生不同
的影响进而影响到市场的变化。
（4）过度自信理论（Overconfidence）
过度自信理论指投资者过度的相信自己的某些能力如信息获取能力和专
业知识水平等，由此过度相信自己对未来市场行情动向的判断。过度自信现
象的出现会导致投资者一方面高估自己投资能力另一方面低估了风险，高估
自身的风险承受能力，从而做出不理性的决策，影响市场的有效性。过度自信
还表现为投资者在盈利时会将盈利的功劳归于自身而当投资出现亏损时将自
身的失败归于外部因素。
（5）异质信念理论（Heterogeneous Beliefs）
异质信念理论认为投资者会对同样的信息禅城不同的看法，这种看法差
异的原因可能是信息获取时间的差异、信息判断的差异和自身认知水平的差
异。而这种差异的来源可能时由于投资者的年龄和所处行业有所不同，这种
基于投资者自身特征的差异导致了投资者形成自身独特的观点，从而影响到
了市场的多样性和价格波动。
（6）噪声交易理论（Noise Trading）

19
行业间波动溢出效应的研究——基于投资者情绪视角

噪声交易理论认为投资者可能由于市场上的信息和媒体报道等因素无法
对资产价值进行准确估计产生的情绪化的交易行为噪声交易者的出现会导致
股价偏离正常的估值范围，为理性的投资者提供了套利机会。
（7）“有限注意力”理论（Limited Attention Theory）
“有限注意力”理论认为投资者由于自身精力的限制无法全面的关注到所
有信息，投资者会注意到一部分信息但是忽视其他重要的信息。投资者基这
种不全面的信息所做出的决策与正确的决策会出现偏差，这也会对后续长期
的投资决策产生影响。

3.5 TVP-VAR-DY 溢出指数模型

在 VAR 模型基础上，传统的 Cholesky 分解结果因为变量排序的不同而

受到影响，因此本文首先采用了 Diebold 和 Yilmaz （ 2012，2014）提出的
基于广义预测误差方差分解的方式计算溢出指数，该分析框架可以用于分析
一个系统中多个部门之间的相互联系，有着不会受到变量排序影响的优点。
但是考虑到该框架所用的传统的滚动窗口计算溢出指数的时变效应会导致损
失一部分原始数据，本文采用经过 Antonakakis 等（2020）改进后的模型，即
以时变参数向量自回归模型（TVP-VAR）为基础的 DY 溢出指数模型进行估
计。改进后的模型具有模型结果更准确、不需要设置滚动窗口以及不会损失
样本数据等优点。综上本文基于 TVP-VAR 模型计算 DY 方差分解溢出指数，
可以做到有效的体现行业间的风险传染特征并测度出风险传染的强度以及方
向。

3.5.1 TVP-VAR 模型的理论推导

TVP-VAR 模型来源于结构向量自回归（SVAR）模型，参考 Nakajima（2011）

对向量自回归模型的理论推导，首先定义 SVAR 模型:
𝐴𝑦𝑡 = 𝐷1 𝑦𝑡−1 + ⋯ + 𝐷𝑝 𝑦𝑡−𝑝 + 𝑢𝑡 , 𝑡 = 𝑝 + 1, 𝑝 + 2, … 𝑛 (3.1)

上式中𝑦𝑡 为观测到的𝑘 × 1维列向量，𝐴，𝐷1 ，𝐷2 ,…, 𝐷𝑝 均为𝑘 × 𝑘的系数

矩阵，扰动项𝑢𝑡 表示𝑘 × 1维的结构冲击，服从𝑢𝑡 ~𝑁(0, ΣΣ)，其中Σ为对角矩

阵，满足：

20
 3 理论基础与研究方法

𝜎1 0 … 0
0 𝜎2 … 0
Σ=[ ] (3.2)
⋮ ⋮ ⋱ ⋮
0 0 … 𝜎𝑘
结构冲击的标准差由𝜎𝑖 (𝑖 = 1,2, …,k)表示。然后假定𝐴为𝑘 × 𝑘 的下三角
系数矩阵，即𝐴满足：
1 0 … 0
𝛼21 1 … 0
𝐴=[ ] (3.3)
⋮ ⋮ ⋱ ⋮
𝛼𝑘1 𝛼𝑘2 … 1
假定𝐴可逆，那么下三角矩阵𝐴的逆𝐴−1 也为下三角矩阵,在式（3.1）两边
同乘𝐴−1 ，可以得到 SVAR 的诱导形式：
𝑦𝑡 = 𝐹1 𝑦𝑡−1 + ⋯ + 𝐹𝑝 𝑦𝑡−𝑝 + 𝐴−1 Σ𝜀𝑡 , 𝜀𝑡 ~(0, 𝐼𝑘 ) (3.4)
其中𝐹𝑖 = 𝐴−1 𝐷𝑖 ,𝑖 = 1,2,3, … , 𝑝，将𝐹𝑖 中的各元素按行堆叠成一个𝑘 2 𝑝 × 1
＇ ＇
维的向量𝛽，再定义：𝑋𝑡 = 𝐼𝑘 ⊗ ( 𝑦𝑡−1 , … , 𝑦𝑡−𝑝 )，⊗表示克罗内克积，那么

模型就可以重写为：
𝑦𝑡 = 𝑋𝑡 𝛽 + 𝐴−1 Σ𝜀𝑡 , 𝑡 = 𝑝 + 1, 𝑝 + 2, … , 𝑛 (3.5)
对上述的 SVAR 模型进行动态拓展，假定系数、参数以及随机波动的协

方差矩阵是时变的额，即将𝛽，𝐴−1 ，Σ改写为𝛽𝑡 ，𝐴−1

𝑡 , Σ𝑡 ，由此得到 TVP-VAR

模型：

𝑦𝑡 = 𝛽𝑡 𝑋𝑡 + 𝐴−1
𝑡 Σ𝑡 𝜀𝑡 ，𝑡 = 𝑝 + 1, 𝑝 + 2, … , 𝑛 (3.6)

其中，
Σ𝑡 = 𝑑𝑖𝑎𝑔(𝜎1𝑡 , 𝜎2𝑡 , … , 𝜎𝑘𝑡 ) (3.7)
1 0 … 0
𝛼21,𝑡 1 … 0
𝐴𝑡 = [ ] (3.8)
⋮ ⋮ ⋱ ⋮
𝛼𝑘1,𝑡 𝛼𝑘2,𝑡 … 1

矩阵𝐴𝑡 中的𝛼𝑖𝑗,𝑡 表示第 i 个变量带来的冲击对第 j 个变量的影响是时变的。

将 𝐴𝑡 的 非 0 和 1 元 素 堆 积 为 𝛼𝑡 = (𝛼21,𝑡 , 𝛼31,𝑡 , … , 𝛼𝑘𝑘−1,𝑡 ) ， 并 设 ℎ𝑡 =

2 2 2 ′
(ℎ1𝑡 , ℎ2𝑡 , … , ℎ𝑘𝑡 )′ = (𝑙𝑜𝑔𝜎1𝑡 , 𝑙𝑜𝑔𝜎2𝑡 , … , 𝑙𝑜𝑔𝜎2𝑡 ) 。时变待估参数均服从随机过

21
行业间波动溢出效应的研究——基于投资者情绪视角

程，进一步的，再令：
𝛽
𝛽𝑡 = 𝛽𝑡−1 + 𝜇𝑡 (3.9)

𝛼𝑡 = 𝛼𝑡−1 + 𝜇𝑡𝛼 (3.10)

ℎ𝑡 = ℎ𝑡−1 + 𝜇𝑡ℎ (3.11)
𝛽 𝛽
扰动项𝜇𝑡 ，𝜇𝑡𝛼 ，𝜇𝑡ℎ 相互独立，为同分布的高斯白噪声，且𝜀𝑡 ，𝜇𝑡 ，𝜇𝑡𝛼 ，

𝜇𝑡ℎ 遵循以下分布：
𝜀𝑡
𝛽
𝐼𝑘 0 0 0
𝜇𝑡 Σ𝛽
~𝑁 {0， 0 0 0} (3.12)
𝜇𝑡𝛼 0 0 Σ𝛼 0
𝜇 ℎ 0 0 0 Σℎ
( 𝑡)

其中假设Σ 𝛽 ，Σ 𝛼 ，Σ ℎ 均为对角矩阵。Koop 和 Korobilis（2013）指出，贝

叶斯蒙特卡洛模拟和最大似然估计方法对此类高维度的状态空间模型进行估
计时，有着数值不稳定和计算困难的不足。而采用序贯贝叶斯推断 Chan 和
Eisenstat（2018）可以估计此类状态空间模型参数。

3.5.2 DY 溢出指数构建

本文在上述推导基础上建立𝑁阶的 TVP-VAR 过程：

𝑦𝑡 = 𝑎0 + 𝐴1 𝑦𝑡−1 + 𝐴2 𝑦𝑡−1 + ⋯ + 𝐴𝑝 𝑦𝑡−𝑝 + 𝜀𝑡 (3.13)
其中，𝑦𝑡 表示𝑁个变量的波动率，𝑎0 是截距向量，𝜀𝑡 是扰动向量，方差贡
献表示模型中的其中一个变量𝑦𝑖 遭受外部因素的冲击时，其预测误差方差被
其他变量所影响的比例。即当变量𝑦𝑖 受到波动冲击时，𝑦𝑖 的ℎ步预测误差方差

中可以由𝑦𝑗 所解释的部分𝑑𝑖𝑗 (ℎ)，反映了变量变化受到其自身或模型中其他变

量影响的程度，以此比例作为后续构建方差分解溢出指数的基础。
2
𝜎𝑖𝑖−1 ∑𝐻 ′
ℎ=0(𝑒𝑖 𝐴𝑖 ∑ 𝑒𝑗 )
𝑑𝑖𝑗 (ℎ) = 𝐻 (3.14)
∑ℎ=0(𝑒𝑖′ 𝐴𝑖 ∑ 𝐴𝑖 ′ 𝑒𝑖 )2

其中，𝛴 表示扰动向量𝜀𝑡 的协方差矩阵，𝜎𝑖𝑖 是𝜀𝑡 的标准差，𝑒𝑗 的第𝑗个元素

是 1，其余元素为 0。并且，𝑖，𝑗 = 1， … ，𝑁，𝑖 ≠ 𝑗。则由元素𝑑𝑖𝑗 (ℎ)构成的

22
 3 理论基础与研究方法

𝑁 × 𝑁阶的方差分解矩阵𝐷𝑖𝑗 (ℎ)可以用来表征不同变量间的波动溢出效应。

𝑑 11 𝑑 12 … 𝑑 1𝑁
𝑑 𝑑 22 … 𝑑 2𝑁
𝐷𝑖𝑗 (ℎ) = ( 21 ) (3.15)
⋮ ⋮ ⋱ ⋮
𝑑 𝑁1 𝑑 𝑁2 … 𝑑 𝑁𝑁

在方差分解矩阵 𝐷𝑖𝑗 (ℎ)（i ≠ j）中，非对角线元素表示预测误差方差的

分解，反映了变量𝑖和变量𝑗之间的风险溢出程度。因此，𝐷𝑖𝑗 (ℎ)中第𝑖行的和代

表了其他所有𝑗 = 1， … ，𝑁 个变量对𝑖变量的风险溢出，表示变量𝑖的波动承

受能力。例如，𝐷𝑖𝑗 (ℎ)第一行的和为变量1受其他剩余变量波动冲击的ℎ步预测

误差方差，表示变量1遭受到其他𝑁－1个变量的风险溢出影响（FROM）。

𝐷𝑖𝑗 (ℎ)中第𝑗列的和代表了它对其他所有𝑗 = 1， … ，𝑁个变量的波动溢出，表

示变量1对其他𝑁－1个变量的风险溢出影响（TO）。之后定义净溢出效应为某

一个变量的对外溢出效应（NET）与该变量遭受其他变量波动溢出（FROM）
的差值。矩阵中所有元素和的平均表示整体波动溢出的水平。为了更好的分

析变量间的波动溢出效应，将𝑑𝑖𝑗 (ℎ)标准化处理为𝑙𝑖𝑗 (ℎ)，使得每一行的和为1，

即
𝑑𝑖𝑗 (ℎ)
𝑙𝑖𝑗 (ℎ) = (3.16)
∑𝑁
𝑗=1 𝑑𝑖𝑗 (ℎ)

在此基础上计算所有变量总体的风险溢出指数𝑆(ℎ)，于是变量间的风险溢出
对整体市场的风险贡献可以表示为：
∑𝑁
𝑖,𝑗=1,𝑖≠𝑗 𝑙𝑖𝑗 (ℎ) ∑𝑁
𝑖,𝑗=1,𝑖≠𝑗 𝑙𝑖𝑗 (ℎ)
𝑆(ℎ) = 100 × = 100 × (3.17)
∑𝑁
𝑖,𝑗=1 𝑙𝑖𝑗 (ℎ) 𝑁

除此之外，还可以构建总方向溢出指数，即某个变量除对自身外，对其他
所有变量溢出效应加总：

∑𝑁
𝑖=1,𝑖≠𝑗 𝑙𝑖𝑗 (ℎ)
𝑆𝑖→𝑗 (ℎ) = 100 × (3.18)
∑𝑁
𝑖=1 𝑙𝑖𝑗 (ℎ)

23
行业间波动溢出效应的研究——基于投资者情绪视角

以及某个行业除自身外遭受其他变量波动溢出的指数：
∑𝑁
𝑗=1,𝑖≠𝑗 𝑙𝑖𝑗 (ℎ)
𝑆𝑗→𝑖 (ℎ) = 100 × (3.19)
∑𝑁
𝑗=1 𝑙𝑖𝑗 (ℎ)

和净溢出指数:

𝑁𝐸𝑇𝑆 𝑖 = [𝑆𝑖→𝑗 (ℎ) − 𝑆𝑗→𝑖 (ℎ)] (3.20)

净溢出指数表示某一变量对其他变量的波动溢出和遭受其他变量的波动
溢出的差值，该指数可以用来判断某一变量在溢出效应中处于波动的净溢出
方还是净接收方。

3.6 复杂网络相关理论

复杂网络理论是用来研究某个复杂系统中相互关联、相互作用的网络结
构的理论，涉及到动力学行为。该理论的发展涉及包括物理学、数学、计算机
科学、生物学在内的多个学科领域，具备如下性质：
（1）小世界性质：复杂网络常常表现出“小世界”特性。在复杂网络中若
节点之间的平均路径较短，那么该网络中的节点之间可以通过相对较少的中
间节点快速的相互连接。
（2）幂律分布：复杂网络的度分布通常呈现出幂律分布的形式，表现为
少数节点具有极大的连接度，而大多数节点只有较少的连接，这中幂律分布
的形式可以反映出网络中的一些节点与其他节点相比重要程度的不同。
（3）模块化：复杂网络中常常存在一些模块化结构，在这些模块化结构
中，节点可以被划分为具备相对独立的功能或特性的个体。这有助于理解网
络内部的组织和功能分布情况。
（4）节点的重要性：复杂网络理论强调一些节点的关键性以此评估节点
在网络中的重要性，具体做法为用网络的节点来表示需要研究的某个元素，
然后使用介数中心性和紧密中心性这两种方式来对该节点的重要性进行度量。
（5）复杂网络的连边可以施加权重和方向性，以此有助于分析网络中多
个元素之间的相互影响关系以及联系的紧密程度。
复杂网络的理论在各大领域都有着广泛的运用，金融系统内部市场间错

24
 3 理论基础与研究方法

综复杂的波动溢出形成了风险溢出网络，有关金融领域的研究热衷于探索不
同股票、行业或者市场间的网络形式，将股票或者行业作为节点研究各自之
间的溢出效应和相关关系。

3.7 本章小结

本章节系统的阐述了股市波动产生机理、股市波动溢出的测度方式、行
为金融学与投资者情绪的相关理论，并构建了 TVP-VAR 模型、波动溢出指数
模型和复杂网络模型，为后文研究提供了详细的理论基础。

25
行业间波动溢出效应的研究——基于投资者情绪视角

4 投资者情绪指标构建
本文选择的数据网站为东方财富网，东方财富网拥有接近 1 亿的日浏览
量以及数千万的活跃用户，每天沟通交流产生海量的文本信息。且由于存续
时间长，该网站上保留了大量的投资者观点和情绪相关的评论，其中以大盘
和行业指数的帖子保存量最多。本文爬取的股吧为东方财富网上证指数吧，
作为国民关注度最高的指数，该股吧在众多股吧中活跃度最高。

图 4-1 东方财富网股吧界面

图 4-1 为东方财富网网页版的股吧界面，可以看到上证指数吧非常活跃，
蕴含非常丰富的投资者观点信息，因此本文选择用上证指数股吧的数据作为
后期评论爬取对象。

4.1 数据爬取

本文爬取数据所用软件为 Python，具体步骤如下：
（1）首先导入爬虫必要模块 requests 和 json 等，此类库具有简单易用等
特点，能够满足一般的数据爬取需求。

26
 4 投资者情绪指标构建

（2）设置请求头：通过定义 headers 变量，设置了请求头信息，包括 Referer、

User-Agent 等。
（3）获取代理 IP：由于此次数据量需求较大且获取速度较快，东方财富
网对用户获取数据的速度进行限制，若简单爬取的话非常容易触发东方财富
网的反爬机制进而 IP 会被封锁导致无法顺利爬取数据。一般防反爬措施有设
置休眠时间、在请求头中标 User-Agent 和使用代理池等.设置睡眠时间会大幅
降低信息爬取速度，在本文数据量巨大的情况下并不适用，因此本文采用
User-Agent 降低被识别为爬虫程序的概率，随后通过向代理池发送请求获取
代理 IP，用于发送 HTTP 请求的代理设置。其中，获取代理 IP 的 URL 为：
http://proxy.httpdaili.com/apinew.asp?ddbh=s47161173。
（4）循环爬取：东方财富网的股吧界面的 URL 为：
'http://guba.eastmoney.com/list,gssz_2.html'
可以看出其构成非常简单，其中的变量只有 page（即 URL 中的数字 2），因此
只需要设置：
url = f'http://guba.eastmoney.com/list,of{fundcode}_{page}.html'
随后通过 while 循环进行多次爬取，每次循环会生成一个随机的页码，并构建
对应的 URL 进行爬取。
（5）发送 HTTP 请求：使用 requests.get（）方法发送 HTTP 请求，包括
目标 URL、请求头和代理设置等参数。如果请求失败，则会尝试重新获取代
理 IP 并重试请求。
（6）解析网页内容：通过正则表达式提取出需要的数据，如文章标题和
发布日期。
抓取数据经过初步处理后可得到如表 4-1 所示样例：

27
行业间波动溢出效应的研究——基于投资者情绪视角

表 4-1 初步处理得到数据举例
date title
二点一到必定暴跌，跑跑，现在跑还来的
2023/4/28 13:27
及。跑跑奥跑！！ ！
大盘收盘前;不收在 3310 点上方;减仓为
2023/4/28 13:16
主;反之站上加激动仓博短;灵活运用;增减
2023/4/28 13:18 还不跌啊
清仓了，安心过五一，家人们要嗨皮啊[旺
2023/4/28 13:26
柴][旺柴][旺柴]
除了游戏中字头，其他不要玩[韭菜][韭
2023/4/28 13:25
菜][韭菜][韭菜]
2023/4/28 13:16 [大笑]冲鸭冲鸭
2023/4/28 11:20 银行股可以提前布局了！

本文构建投资者情绪指标所用信息为股吧评论和发表时间，即表 4-1 所
示的 title 和 date，其中包含了帖子绝大部分的有效内容。

4.2 投资者情绪指标构建

相对于英文等外文语系，中文语系的的词与词之间并不存在空格之类的
指示词边界。因此本文对数据去重处理后，需要首先对其进行分词处理，随后
进行情感分析。

4.2.1 分词处理

本文所用分词方法分别为 Jieba，Jieba 是目前应用最广的中文分词工具，

用于将中文文本分割成词语或词汇的工具，在 python 中导入 Jieba 模块进行
分词处理，分词结果示例如表 4-2：

28
 4 投资者情绪指标构建

表 4-2 Jieba 分词结果

date title 分词结果
天呐，半年了，头一次见主力 ['天呐', '，', '半年', '了', '，', '头', '一次
2023/4/27 13:27
资金流入[哭] ', '见', '主力', '资金', '流入', '[', '哭', ']']
['中', '枝头', '已经', '很', '努力', '拉', '指
中枝头已经很努力拉指数啦，
数', '啦', '，', '开心', '过', '51', '吧', '，',
2023/4/27 13:16 开心过 51 吧，反正今天是红
'反正', '今天', '是', '红盘', '报收', '啦',
盘报收啦！
'！']

['二点', '一到', '必定', '暴跌', '，', '跑跑

二点一到必定暴跌，跑跑，现
2023/4/28 13:27 ', '，', '现在', '跑', '还', '来', '的', '及', '。
在跑还来的及。跑跑奥跑！！！
', '跑跑', '奥跑', '！', '！', '！']

['连亏', '两天', '。', '有', '跟', '我', '一样

2023/4/18 15:26 连亏两天。有跟我一样的吗
', '的', '吗']
['黑', '周四', '是', '不会', '缺席', '的', '了
黑周四是不会缺席的了，“个
', '，', '“', '个股', '”', '更是', '真正', '的', '
股”更是真正的黑，大盘涨的
2022/12/8 11:25 黑', '，', '大盘', '涨', '的', '时候', '就', '没
时候就没有好好的涨过，大盘
有', '好好', '的', '涨', '过', '，', '大盘', '跌
跌
']

4.2.2 文本情感分析及投资者情绪指标构建

本文使用 SnowNLP 来量化论坛帖中蕴含的情绪倾向，NLP 通常包括广

泛的文本处理和分析任务，如情感分析、命名实体识别、文本分类等。具体实
施步骤如下：首先调用 sentiment 模块并编写循环语句，基于词库匹配的方法
逐一对所有样本词汇进行情感打分，所用词库为 SnowNLP 中的 pos（neg）语
料库,返回情感得分的取值区间为[0,1]。计算得出每条评论的情感得分之后按
日对股吧评论的情感得分进行分类，随后统计每日积极评论数量与消极评论
数量，在本文中分别用𝑝𝑜𝑠和𝑛𝑒𝑔表示。每日积极与消极的评论统计结果如表
4-3：

29
行业间波动溢出效应的研究——基于投资者情绪视角

表 4-3 评论统计和打分结果示例
Date 积极评论数量（pos） 消极评论数量（neg） 𝑠𝑒𝑛𝑡𝑡
2020/8/10 1122 1046 0.070074744
2020/8/11 1876 1967 -0.047343041
2020/8/12 1886 2085 -0.10026009
2020/8/13 1460 1465 -0.003416471
2020/8/14 1449 1452 -0.002066828
2020/8/15 199 161 0.210721031
2020/8/16 212 163 0.261425738

本文最终投资者情绪指标的构建参考 Antweiler 和 Frank（2004）的做法：

1 + 𝑝𝑜𝑠𝑡
𝑠𝑒𝑛𝑡𝑡 = ln [ ] (4.1)
1 + 𝑛𝑒𝑔𝑡
其中𝑝𝑜𝑠𝑡 和𝑛𝑒𝑔𝑡 分别表示第𝑡日的积极股吧评论和消极的股吧评论数量，
𝑠𝑒𝑛𝑡𝑖 表示日度的投资者情绪。

图 4-2 投资者情绪时序图

由图 4-2 可以看出，投资情绪在部分极端事件发生的时候会出现较大的
上涨或下跌，例如 2015 年 6 月股灾出现的时候投资者情绪有了大幅下跌，而
在 2018 年中美贸易摩擦出现后可以看到投资者情绪相对于 2017 年有了较大
程度下降，2023 年新冠疫情结束之后投资者情绪又有了明显的回升。

30
 4 投资者情绪指标构建

4.3 本章小结

本章以文本情感打分的形式构建了投资者情绪指标，首先报告了文本数
据来源，即东方财富网的股吧界面。然后介绍了本文数据挖掘所用到的 python
函数。进一步的，本文通过 Jieba 对获取的有效文本信息进行分词处理然后使
用情感打分模块 SnowNLP 对处理后的数据进行投资者情感倾向打分。之后对
每日情感得分为正和为负的评论分别进行统计并采用 Antweiler 和 Frank（2004）
的方式计算投资者情绪指标。

31
行业间波动溢出效应的研究——基于投资者情绪视角

5 实证研究
本章以中证一级行业分类的 11 个行业的收益率为样本数据，采用
GARCH（1,1）模型估计各行业收益率的波动率，随后运用 TVP-VAR 模型计
算了行业间的波动溢出指数。随后结合前文所构建的投资者情绪指标进行实
证分析，考察在不同滞后期和不同的金融事件的冲击下投资者情绪与行业间
波动溢出效应之间的关系。最后以复杂网络的形式体现行业间的波动溢出网
络结构，将波动溢出路径可视化。

5.1 数据来源与处理

5.1.1 股市数据来源与处理

股票市场行业间同时存在真实联系和金融联系，国民经济各行业可以大
致分为上游行业、中游行业、下游行业以及支撑行业。其中上游行业，例如能
源和原材料行业，所产生的变动会通过供给端影响工业和消费业，即影响着
中游和下游行业。下游行业的供需变化会从需求的角度传导至中上游行业，
支撑行业则与所有行业都有着紧密联系，任何一个行业的变动都会通过直接
或间接的供需关系或者资金往来不可避免地影响到其他行业，这种资金和业
务关系体现了行业之间的实质联系。因此在数据选择上本文参考参考杨立生
和杨杰（2023）选取中证行业指数一级分类的 11 行业指数，同时包含了产业
链条中的上游、中游、下游和支撑行业，分别是能源指数（CSI Energy）、中
证工业指数（CSI Industrials）、中证主要消费指数 （CSI Cons Staples）、中证
医药卫生指数（CSI Health Care）、原材料指数（ CSI Materials）、中证可选消
费指数（CSI Cons Disc）
、中证金融指数（CSI Financials）、中证信息技术指数
（CSI IT）、证电信业务指数（CSI Telecom）、中证公用事业指数（CSI Utilities），
和中证房地产指数（CSI Real estate），期望能够对中国股市的行业间波动溢出
效应进行较为全面的分析。
在样本期选择上，考虑到各变量数据的可得性与完整性，选取了以上行
业在 2014 年 6 月 1 日至 2023 年 8 月 31 日之间的所有交易日度收盘价数据，

32
 5 实证研究

共 2246 组观测值，数据均来源于 Wind 数据库，除此之外本文涉及到的收盘

价、收益率宏观变量等控制变量均来源于 Wind 数据库。图 5-1 为样本期内各
行业指数收盘价的时间序列图：

图 5-1 各行业指数收盘价时序图

33
行业间波动溢出效应的研究——基于投资者情绪视角

注：上图中 Materials、Health Care、IT、Telecom、Energy 、Real estate 、Utilities、Cons Staples、Industrials、

Financials、Cons Disc，分别表示原材料、医药健康、信息、通讯、能源、房地产、公用事业、主要消

费、工业、金融和可选消费行业。

从图 5-1 可以看出各行业都在 2015 年上涨，

在 2015 年股灾到来时下跌，
其中主要消费行业在股灾来临时下跌较少，而且此后持续上涨，说明公用事
业行业的发展较为稳定。同时，在 2018 年中美贸易摩擦和 2020 新冠疫情期
间均出现了大涨大跌行情，说明行业之间的收益虽有差异但是在面临重大事
件发生时很容易产生同样的走势。随后计算各行业收益率并进一步测算行业
波动率，本文不同行业股票收益率采用对数收益率表示，即：
𝑟𝑖,𝑡 = ln(𝑝𝑖 , 𝑡) − ln(𝑝𝑖 , 𝑡 − 1) (5.1)

其中，𝑟𝑖，𝑡 为第𝑡日第𝑖个行业的自然对数收益率，𝑝𝑖 ，𝑡表示第 𝑡 日第 𝑖 个

行业的收盘价。
考虑到 GARCH 模型有着简单且经济学含义明确的特点，因此本文通过
GARCH（1,1）模型估计各行业收益率的波动率，标准的 GARCH（1,1）模型
由均值方程 5.2 和条件方差方程 5.3 构成：

𝑅𝑡 = 𝜇 + 𝜀𝑡 ，𝜀𝑡 ~𝑁𝐼𝐷(0, 𝜎 2 ) (5.2)

2 2
𝜎 2 = VAR(𝜀𝑡 |𝜑𝑡−1 ) = ω + α𝜀𝑡−1 + 𝛽𝜎𝑡−1 (5.3)
其中，𝜇为常数，𝜀𝑡 是收益率为误差，𝜎 2 表示𝜀𝑡 的条件方差，𝜎反映市场波
动受到外部冲击的影响程度，𝛽代表波动持续的强度。

5.1.2 投资者情绪数据来源

投资者情绪指标数据来源于东方财富网 2014 年 6 月至 2023 年 8 月股吧

大盘评论数据，东方财富网是我国信息较为全面的金融资讯网站，投资者在
东方财富网的股吧评论区可以发帖以及进行评论交换观点，股吧评论中含有
大量的投资者情绪相关讯息。将所爬取的数据进行初步去重后得到 426.49 万
条评论数据，再次去重之后得到 163.61 万条数据。

5.1.3 样本数据分析和描述

通过对十一个行业的对数收益率序列进行描述性统计，得到如表 5-1 所

34
 5 实证研究

示结果：

表 5-1 行业收益率序列的描述性统计

行业 均值 最大值 最小值 标准差 偏度 峰度

地产 0.0085 8.5385 -9.7306 1.6989 -0.5212 7.4902
能源 -0.0253 6.6120 -9.3400 1.7694 -0.6507 6.6113
材料 0.0197 8.0660 -9.4360 1.6814 -0.6316 8.2467
工业 0.0229 6.4260 -9.2070 1.6519 -0.6331 6.4565
可选消费 0.0747 7.4850 -9.1130 1.7661 -0.3220 5.7033
主要消费 0.0266 8.1090 -10.0610 1.7311 -0.4035 6.0225
医药 0.0184 8.9580 -10.2910 2.0124 -0.5039 5.9603
信息 0.0224 8.9000 -10.5290 2.0381 -0.4508 6.7002
通讯 0.0259 6.9300 -8.9960 1.4048 -0.5455 10.2132
公用 0.0122 9.0180 -9.6430 2.0268 0.1891 5.6995
金融 -0.0197 8.6450 -10.1990 1.5746 -0.1263 8.7106

可以看出除了能源和金融的收益率平均值为负外，其余所有行业的收益
率均为正。说明我国大部分行业的发展趋势良好，能源和金融的发展略显不
足。各行业的收益率标准差介于 1.6 至 2.1 之间，离散程度差距不大，公用事
业和医药卫生行业的标准差最大。在偏度上，除了公用事业的偏度为正外所
有行业的偏度为负，行业收益率非对称形态，在峰度上，所有行业的峰度均大
于 3，因此所有行业收益率均呈现尖峰厚尾的分布。

35
行业间波动溢出效应的研究——基于投资者情绪视角

图 5-2 各行业收益率时序图
注：上图中 Materials、Health Care、IT、Telecom、Energy 、Real estate 、Utilities、Cons Staples、Industrials、

Financials、Cons Disc，分别表示原材料、医药健康、信息、通讯、能源、房地产、公用事业、主要消

费、工业、金融和可选消费行业。

对各行业收益率序列图 5-2 观察后发现均存在聚集现象（即波动在一段

时间内较小，在另一段时间内较大），在股灾、中美贸易摩擦和新冠疫情期间
36
 5 实证研究

的波动较大。本文需要使用 GARCH 模型对收益率序列进行建模，因此希望

11 个行业的收益率序列是平稳的，对收益率序列进行 ADF 检验、J-B 检验和
ARCH 效应检验，检验结果如表 5-2 所示：

表 5-2 各行业收益率序列的平稳性检验和 ARCH 检验

行业 ADF 检验 J-B 检验 ARCH

*** ***
地产 -48.3676 1990.346 94.2404***
能源 -45.4500*** 1380.215*** 188.2243***
材料 -46.2488*** 2728.023*** 180.7562***
工业 -46.2609*** 1267.967*** 87.2288***
可选消费 -46.2489*** 723.3657*** 44.9990***
主要消费 -35.2870*** 916.5570*** 122.1142***
医药 -45.6651*** 916.005*** 161.2660***
信息 -46.2751*** 1358.533*** 139.7363***
通讯 -34.9485*** 4984.948*** 211.9809***
公用 -46.1778*** 696.0103*** 40.9250***
金融 -46.8501*** 3060.589*** 83.36467***

注：上表中“*”、“**”和“***”分别代表在 10%、5%和 1%的水平下显著。J-B、ADF 和 ARCH 分别表示

Jarque-Bera 检验、Augmented Dickey-Fuller 检验和 Engle’s LM 检验，原假设分别为序列服从正态分布、

序列不平稳、滞后 1 阶之内不存在 ARCH 效应。

表 5-2 中 ADF 的检验结果显示在 1%的显著性水平下收益率序列是平稳

的，ARCH 效应检验结果显示在 1%的显著性水平下各行业的收益率序列均存
在 ARCH 效应，因此通过 GARCH（1,1） 模型估计收益率的波动率是合理且
有效的。对估计结果进行 ARCH 检验，检验结果表明估计波动率是合理且有
效的，基于此得到各时间序列的波动率序列。估计结果如表 5-3 所示：

37
行业间波动溢出效应的研究——基于投资者情绪视角

表 5-3 各行业的 GARCH（1,1）估计结果

行业 𝜔 𝛼 𝛽
*** ***
0.0323 0.0769 0.9141***
地产
（0.0053） （0.0057） （0.0055）
0.0436*** 0.0854*** 0.9022***
能源
（0.0087） （0.0073） （0.0071）
0.0333*** 0.0943*** 0.8965***
材料
（0.0061） （0.0066） （0.0057）
0.0340*** 0.0790*** 0.9108***
工业
（0.0070） （0.0062） （0.0062）
0.0447*** 0.0717*** 0.9156***
可选消费
（0.0103） （0.0072） （0.0079）
0.0120*** 0.0626*** 0.9357***
主要消费
（0.0035） （0.0064） （0.0057）
0.0281*** 0.0545*** 0.9392***
医药
（0.0053） （0.0052） （0.0053）
0.0555*** 0.0927*** 0.8977***
信息
（0.0111） （0.0074） （0.0075）
0.0114*** 0.0746*** 0.9211***
通讯
（0.0024） （0.0057） （0.0049）
0.0843*** 0.0867*** 0.8966***
公用
（0.0151） （0.0084） （0.0098）
0.0355*** 0.0857*** 0.9023***
金融
（0.0055） （0.0057） （0.0057）

注：上表中“*”、“**”和“***”分别代表在 10%、5%和 1%的水平下显著，括号内的数值为回归标准误。

所选 11 个行业的波动率序列时序图如图 5-3 所示，可以看出这 11 个行

业的波动率走势大体上比较相似，均在 2015 年的 6 月、2018 年和 2020 年出
现较大的波动，除此之外公用事业行业在整个样本期内波动变化非常的频繁，
而通讯行业只有在 2015 年股灾和 2020 年疫情前后有着较大的波动变化。

38
 5 实证研究

图 5-3 各行业波动率时序图

注：上图中 Materials、Health Care、IT、Telecom、Energy 、Real estate 、Utilities、Cons Staples、Industrials、

Financials、Cons Disc，分别表示原材料、医药健康、信息、通讯、能源、房地产、公用事业、主要消

费、工业、金融和可选消费行业。

对 11 个行业的波动率序列进行描述性统计，可以看到表 5-4 所有行业波

动率序列的峰度均大于 3，公用事业行业峰度最小，为 5.2253 而原材料行业
的峰度则达到了 21.1064，不仅如此，所有行业的偏度均大于 0，说明所有的

39
行业间波动溢出效应的研究——基于投资者情绪视角

波动率序列均呈尖峰厚尾分布。

表 5-4 行业波动率描述性统计

行业 均值 标准差 最小值 最大值 偏度 峰度

地产 3.0467 2.7635 0.5829 19.3634 2.3863 9.8132
能源 3.2445 3.0306 0.8706 22.1652 3.0808 11.4985
材料 2.9183 3.4712 0.5608 28.4103 3.8877 21.1064
工业 2.8488 2.4073 0.6733 19.0035 3.1042 15.1488
可选消费 3.1826 2.3360 0.8570 22.0134 2.9800 16.1360
主要消费 3.1013 2.8101 0.4662 21.8056 3.1637 16.5221
医药 4.1489 3.6418 0.9147 27.1251 3.1213 14.7539
信息 4.1979 3.4860 1.0869 29.9425 3.0813 16.0958
通讯 2.0417 2.8677 0.3292 22.4224 3.4085 16.4821
公用 4.3237 2.6357 1.1766 17.3776 1.4272 5.2253
金融 2.5562 2.4807 0.5333 17.5109 2.9049 12.6451

5.2 行业间波动溢出效应和网络结构

5.2.1 行业间波动溢出静态分析

本节对行业间风险溢出指数的研究框架主要参考 Diebold 和 Yilmaz 的一

系列列研究（2009，2012，2014）即 TVP-VAR-DY 溢出指数框架，首先使用
TVP-VAR 模型对行业波动率进行建模，所选用的预测步长为 10 期，滞后期
为 2，然后用广义预测误差方差分解（GFEVD）计算行业之间的溢出指数、
净溢出指数和总溢出指数，以此衡量行业间波动溢出效应。广义预测误差方
差分解得到的如表 5-5 所示：

40
 5 实证研究

表 5-5 行业间波动溢出表

材料 医药 IT 通讯 能源 房地产 公用 消费 工业 金融 可选 FROM
材料 20.2 8.7 7.7 7.6 12.9 7.3 4.6 6.4 10.8 8.3 5.5 79.8
医药 11.7 23.9 12.2 5.1 9.5 5.2 3.5 7.1 10.6 6.6 4.7 76.1
IT 8.8 12.3 29.3 6.1 8 5.6 4 5 8.4 7.7 4.8 70.7
通讯 9.4 5.5 6.8 33 7.2 10.5 3.6 5.2 6.8 7.3 4.6 67
能源 13.7 8.2 7.2 6.6 22.2 8.3 4.5 6.1 9.9 8.1 5.4 77.8
房地产 8.2 4.4 5.2 8.8 8.7 34.8 6.3 4.6 6.4 8.8 3.7 65.2
公用 7.1 4.4 6 5.3 6.3 7.6 36.4 3.6 7.3 11.5 4.6 63.6
消费 8.6 7.7 5.9 5.5 7.9 4.9 3 29.9 10.8 5.5 10.2 70.1
工业 11.5 9.3 7.9 6.1 9.9 5.9 4.9 7.9 20.2 7.5 8.8 79.8
金融 9.1 6.4 7.9 6.7 8.3 8.5 9.6 4.9 8.2 25.2 5 74.8
可选 7.9 6.2 6.6 5.6 7.8 4.7 4.3 11.1 12.2 6 27.6 72.4
TO 96 73.2 73.3 63.4 86.5 68.6 48.3 61.9 91.5 77.2 57.4 -
NET 16.3 -3 2.6 -3.5 8.6 3.4 -15.3 -8.2 11.7 2.4 -15 -

表 5-5 展示了全样本期内全部行业间的波动溢出效应，每一行的数据表
示该行业对其他行业的波动溢出比率，每一列的数据则表示该行业遭受其他
行业的波动溢出比率，对角线的数值表示某个行业滞后期内对自身的溢出。
可以看出行业内的溢出效应大于行业间的溢出效应，对自身波动溢出较
大的为房地产和公用事业，分别达到了 34.8%和 36.4%，表明房地产和公用事
业对自身的影响较大。从波动溢出的方向来看（TO），材料、工业和能源对其
他行业的波动溢出最大，分别为 96%、91.5%和 86.5%，公用事业对其他行业
的波动溢出最小，只有 48.3%；而从遭受波动溢出（FROM）这一视角来看，
材料和工业行业遭受其他行业波动溢出较大，均为 79.8%，能源、金融和医药
卫生行业则次之，房地产和公用事业遭受其他行业波动溢出分别为 65.2%和
63.6%。从净波动溢出（NET）来看，原材料、工业和能源的净溢出较大，分
别为 16.3%、8.6 和 11.7%。全样本期内，跨行业的波动溢出均值为 72.48%，
波动溢出效应在行业间非常显著，风险在行业间的传染较为容易。

5.2.2 行业间波动溢出效应动态分析

由于本文使用时变向量自回归（TVP-VAR），拟合出的结果具有时变特征，
不需要通过窗口滚动进行分析，所得样本期内溢出指数时间序列图如下所示：

41
行业间波动溢出效应的研究——基于投资者情绪视角

图 5-4 行业间波动总溢出指数

图 5-4 为行业间波动总溢出指数和投资者情绪时序图，可以看到在 2015

年股灾时期、2018 年的中美贸易摩擦时期以及最后的新冠疫情时期，行业间
的波动溢出均出现了大幅度的波动，同时也伴随着投资者情绪的变化。总体
来看，在股灾发生前，由于经济状况良好，量化宽松的货币政策，证券市场迅
速火爆。但是根本原因还是在于一些庄家和投资者对于政策的过度解读和疯
狂炒作。随着 2016 年股灾结束，经济回暖，行业间波动溢出开始减弱。2018
年 3 月中美贸易摩擦出现，行业间波动溢出指数突然升高，并在此后随着各
种政治新闻信息例如多次加收关税的发布出现两次剧烈上涨，直到 2019 年底
这种趋势才有所下降。2020 年 1 月，新冠疫情爆发，中国及时采取了各种有
效的疫情防控措施，使得虽然波动溢出效应有所上升但是很好的控制在了一
个合理的范围内。此后中国进入了长期的疫情常态化管理时段，直到 2022 年
上海疫情的突然爆发再次引起投资者的恐慌情绪，此时行业间波动溢出暴增，
整个证券市场呈现极强的波动性。为了更细致的研究行业间波动溢出效应的
时变情况，本文根据式 3.18、式 3.19 和式 3.20 分别计算 11 个行业遭受波动
溢出、11 个行业对其他行业的波动溢出以及 11 个行业各自的净溢出，测算结
果如图 5-5、图 5-6、和图 5-7 所示。

42
 5 实证研究

图 5-5 各行业遭受溢出时序图

注：上图中 Materials、Health Care、IT、Telecom、Energy 、Real estate 、Utilities、Cons Staples、Industrials、

Financials、Cons Disc，分别表示原材料、医药健康、信息、通讯、能源、房地产、公用事业、主要消

费、工业、金融和可选消费行业。

图 5-5 为各行业遭受其他行业波动溢出的时序图，可以发现所有行业在
43
行业间波动溢出效应的研究——基于投资者情绪视角

发生重大时间冲击的时候遭受其他行业的风险溢出均明显增加，例如 2015 年
股灾期间所有行业几乎同涨同跌，此时遭受其他行业的波动溢出处于高位，
中美贸易摩擦时期除了医药健康行业几乎没有受到影响之外所有行业遭受的
波动溢出都出现了不小幅度的突然上涨。在新冠疫情时期，多数行业遭受的
风险溢出均出现了先小幅上涨后下降然后 2022 年时突然大幅上涨。

图 5-6 各行业方向性溢出时序图

注：上图中 Materials、Health Care、IT、Telecom、Energy 、Real estate 、Utilities、Cons Staples、Industrials、

44
 5 实证研究

Financials、Cons Disc，分别表示原材料、医药健康、信息、通讯、能源、房地产、公用事业、主要消

费、工业、金融和可选消费行业。

图 5-6 所示为 11 个行业对其他所有行业波动溢出即方向性溢出的时序图，

可以发现不同的行业对其他行业的波动溢出效应存在较大差别，主要原因在
于随着我国经济发展、产业结构改变以及不同的极端事件冲击所影响到的行
业有所不同，因此影响到了不同行业对其他行业的影响程度。原材料行业对
其他行业的波动溢出几乎一直处于高位，虽然随着时间推移原材料行业对其
他行业的影响力度有所下降，但是下降的趋势相较于其他行业较为平缓。反
观金融行业和主要消费行业，这两个行业在中美贸易摩擦时经历了相反的暴
跌和暴涨。
图 5-7 表示的是各行业随时间推移的净波动溢出的变化情况，可以很明
显的发现不同行业在行业间波动溢出现象中所扮演的角色并不是一成不变的，
而是会随着时间的改变而发生变化。例如公用事业行业在 2020 年之前一直处
于波动溢出的净接收方，但是 2020 年新冠疫情出现之后转为了行业间波动的
输出行业，并且在后疫情时期又成为了行业间波动溢出的接收方，而主要消
费行业在 2018 年之前为行业间波动溢出效应的净输出方，但是 2018 年之后
转为了波动溢出效应的净接收方。除此之外，原材料行业和能源行业几乎一
直处于行业间波动的净输出端，虽然少部分特殊时期会有所波动，但总体来
看这两个行业在行业间波动溢出中一直有较强的影响力。

45
行业间波动溢出效应的研究——基于投资者情绪视角

图 5-7 各行业净溢出时序图

注：上图中 Materials、Health Care、IT、Telecom、Energy 、Real estate 、Utilities、Cons Staples、Industrials、

Financials、Cons Disc，分别表示原材料、医药健康、信息、通讯、能源、房地产、公用事业、主要消

费、工业、金融和可选消费行业，NET 表示该行业的净溢出。

5.2.3 行业间波动溢出网络结构

为更直观的观察行业间波动溢出效应的表现方式，本文采用复杂有向网
46
 5 实证研究

络的形式将行业间的关系体现出来。即从复杂网络的视角，以各行业为复杂
网络中的节点，以行业间的风险溢出关系作为网络的连边，网络的邻接矩阵
则采用方差分解计算的方差贡献度表示，构建行业间波动溢出网络，通过分
析网络的拓扑结构特征来分析我国行业间波动溢出的特点。本文使用的方差
分解波动溢出网络属于加权有向网络，将 11 个行业作为网络节点，以各行业
的方向性波动溢出指数即各行业输出和接收的波动溢出分别对应各节点的输
出和遭受冲击的大小，方差贡献度用来表示网络的权重。
图 5-8 中只显示了两个行业间溢出较多的一方向另一方的溢出效应，以
此作为权重来显示某个行业的溢出效应，例如图 5-8 中材料对所有行业都是
净输出波动溢出的一方，这也体现了原材料行业作为行业上游的经济地位；
反观可选消费行业，其面对所有行业均为溢出的净接收方，例如来自医疗卫
生行业的波动溢出为 6.2%。总的来说可以看出行业间联系非常紧密，行业间
波动溢出效应非常显著，在正常时期某些行业如材料、工业和能源作为“顺周
期性”产业，与外部宏观经济环境极为密切，处于风险溢出网络的中心位置。

图 5-8 全样本下波动溢网络

注：上图中 Materials、Health Care、IT、Telecom、Energy 、Real estate 、Utilities、Cons Staples、Industrials、

47
行业间波动溢出效应的研究——基于投资者情绪视角

Financials、Cons Disc，分别表示原材料、医药健康、信息、通讯、能源、房地产、公用事业、主要消

费、工业、金融和可选消费行业。

更进一步的，本文参考杨立生和杨杰（2022）的研究，从时间维度将样本
分为三个事件区间分别为：中国股灾、中美贸易摩擦以及新冠疫情，从而研究
在发生不同的事件冲击时行业间的波动溢出结构和溢出程度相对于正常时期
有了哪些变化。
如图 5-9 所示，在极端事件发生的时期，行业间波动溢出路径有所变化，
行业间波动溢出效应具备去中心化的特点即在中国股灾、中美贸易摩擦和新
冠疫情期间，行业间的溢出显得更加扩散，由原来的净输出和遭受波动溢出
转向了更分散的互有联系和溢出，说明在极端事件发生时期，行业间波动溢
出更加容易，风险更容易在行业间进行扩散。例如在股灾时期，能源行业开始
变成了个别行业波动溢出的净接收方。在中美贸易摩擦时期，中国不仅是世
界工厂，也是原材料的重要进口国和出口国，很大程度上会受到经济环境的
影响，因此原材料行业的波动溢出情况出现了一定的变化。在新冠疫情时期，
行业间的溢出效应又产生了巨大的变化，IT 行业变为行业间波动溢出的净输
出方，原材料的溢出效应进一步减弱，工业的溢出效应增强，这种变化也客观
的体现了疫情发生时期我国产业结构调整对第二产业的影响。不仅如此，当
极端事件发生时，会对投资者的心理状态造成不同程度影响（宋清华等，2020）。
因此，本文将基于上述结论，对全样本下的行业间波动溢出进行实证分析，然
后进一步的对不同时期下的行业间波动溢出与投资者情绪关系展开进一步研
究。

48
 5 实证研究

图 5-9 极端事件冲击下行业及波动溢出网络

49
行业间波动溢出效应的研究——基于投资者情绪视角

注：上图中 Materials、Health Care、IT、Telecom、Energy 、Real estate 、Utilities、Cons Staples、Industrials、

Financials、Cons Disc，分别表示原材料、医药健康、信息、通讯、能源、房地产、公用事业、主要消

费、工业、金融和可选消费行业。

5.3 投资者情绪对行业间波动溢出效应影响的实证研究

5.3.1 回归分析

为进一步探究投资者情绪与行业间波动溢出效应之间的关系，本文将构
建多元回归模型进行回归分析，选取市场投资者情绪为解释变量，通过对股
吧评论进行情感分析后得到。控制变量选择换手率、无风险收益率、A 股市场
波动率、期限利差和 Amihud 非流动性测度指标，可以用来表示市场流动性、
波动率和宏观经济状况。其中期限利差选取 10 年期和 1 年期国债收益率之
差， Amihud 非流动性测度指标由 AMIHUD Y.（2022）提出，用来衡量流动性，
计算公式为：
|𝑅𝑡 |
(5.4)
𝐼𝑙𝑙𝑖𝑞𝑡 =
𝑉𝑂𝐿
其中，𝑉𝑂𝐿表示上证大盘指数在第 𝑡 日交易量；𝑅𝑡 表示上证指数第𝑡 日的
收益率；最终𝐼𝑙𝑙𝑖𝑞𝑡 可以用来表示上证指数在第 𝑡日的非流动性水平，𝐼𝑙𝑙𝑖𝑞𝑡 值
越大就代表代表市场非流动性水平越高，股市流动性越差。
本章所有变量所对应表示方法如表 5-6 所示：
表 5-6 全文所有变量对应含义
变量名 含义
Sent 投资者情绪
D1Sent 乐观投资者情绪
D2Sent 悲观投资者情绪
TERM 期限价差
Marketvalue A 股市值
Illiq Amihud 非流动性测度指标
Turnover 换手率
Volatility A 股市场波动率
D1Sent_turn 乐观情绪与换手率交互项
D2Sent_turn 悲观情绪与换手率交互项
Areturn A 股市场收益率

50
 5 实证研究

在构建回归方程之前首先对变量进行平稳性检验和多重共线性检验，检
验结果如表 5-7 所示：

表 4-7 变量平稳性检验
变量 ADF 检验 PP 检验 是否平稳
*** ***
Sent -19.0547 -513.8817 平稳
D1Sent -8.9914*** -67.7667*** 平稳
D2Sent -9.4700*** -65.0440*** 平稳
TERM -24.3663*** -47.6895*** 平稳
Marketvalue -45.2528*** -45.2205*** 平稳
Illiq -19.9502*** -546.6019*** 平稳
Turnover -24.9100*** -88.5084*** 平稳
Volatility - 23.9809*** -45.4217*** 平稳
D1Sent_turn -4.0914*** -62.4305*** 平稳
D2Sent_turn -8.5072*** -65.2046*** 平稳
Areturn -50.8484*** -50.9094*** 平稳

注：括号内的数值表示标准误，“*”、“**”和“***”分别代表在 10%、5%和 1%的水平下显著。

本文采用 ADF 建议和 PP 检验的方法展开所用变量的平稳性检验，由检

验结果可知所有变量均为平稳的时间序列。本文对多重共线性的检验采用方
差膨胀因子 VIF（Variance Iflation Factor）检验，该统计量衡量的是变量其中
一个对另外一个影响程度的大小，一般超过 10 会认为存在多重共线性，检验
结果如表 5-8 所示：

表 5-8 多重共线性检验
变量 VIF
Sent 1.0206
TERM 1.4424
Marketvalue 1.2680
Illiq 1.0328
Turnover 1.3397
Volatility 1.7499

方差膨胀因子检验结果显示 VIF 均不大于 2，说明不存在多重共线性问

题，因此构建如下回归方程：
𝑆(ℎ) = 𝛼 + 𝛽1 ∗ 𝑠𝑒𝑛𝑡 + 𝛽2 ∗ 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑦 + 𝛽3 ∗ 𝑡𝑒𝑟𝑚 + 𝛽4 ∗ 𝐼𝑙𝑙𝑖𝑞 + 𝛽5
∗ 𝑚𝑎𝑟𝑘𝑒𝑡𝑣𝑎𝑙𝑢𝑒 + 𝛽6 ∗ 𝑡𝑢𝑛𝑜𝑣𝑒𝑟 (5.5)
51
行业间波动溢出效应的研究——基于投资者情绪视角

𝑆(ℎ) = 𝛼 + 𝛽1 ∗ 𝐷1 ∗ 𝑠𝑒𝑛𝑡 + 𝛽2 ∗ 𝐷2 ∗ 𝑠𝑒𝑛𝑡 + 𝛽3 ∗ 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑦 + 𝛽4 ∗ 𝑡𝑒𝑟𝑚 + 𝛽5

∗ 𝐼𝑙𝑙𝑖𝑞 + 𝛽6 ∗ 𝑚𝑎𝑟𝑘𝑒𝑡𝑣𝑎𝑙𝑢𝑒 + 𝛽7 ∗ 𝑡𝑢𝑛𝑜𝑣𝑒𝑟 (5.6)
公式 5.5 和 5.6 分别表示全样本下的回归模型和对投资者情绪分情况讨论

之后的回归模型。其中𝑆(ℎ)为市场的总风险溢出指数, 其中𝐷1 和𝐷2 为工具变量，

分别表示投资者情绪大于 0 时取 1（0），否则取 0（1）。

全样本下回归结果如表 5-9 所示：

表 5-9 全样本下实证回归结果
被解释变量 总溢出指数（𝑆(ℎ)）
变量 （1） （2） （3）
2.3296***
Sent
（0.6850）
-6.0260*** -10.106***
D1Sent
（1.0170） （1.4336）
15.3689*** 24.6975***
D2Sent
（1.3709） （2.0306）
4.0350*** 3.5000*** 3.8967***
TERM
（0.8250） （0.8050） （0.7999）
-0.0011*** -0.0012*** -0.0012***
Marketvalue
（0.0000） （0.0000） （0.0000）
-3.19E+09*** -3.39E+09*** -3.41E+09***
Illiq
（7.40E+08） （7.21E+08） （7.15E+08）
-4.6704*** -2.5426*** -6.3584***
Turnover
（0.7917） （0.7958） （1.0285）
1.2409*** 1.0898*** 1.1230***
Volatility
（0.1073） （0.1055） （0.1051）
9.1833***
D1Sent_turn
（2.2828）
-21.9402***
D2Sent_turn
（3.5550）
101.4446*** 105.4144*** 106.6732***
Constant
（0.8437） （0.8993） （0.9141）
R方 0.5451 0.5682 0.5766
Observations 2220 2220 2220

数据来源：Wind 东方财富网

注：上表𝐷1 𝑠𝑒𝑛𝑡和𝐷2 𝑠𝑒𝑛𝑡分别为𝐷1 × 𝑠𝑒𝑛𝑡和𝐷2 × 𝑠𝑒𝑛𝑡，其中𝐷1 和𝐷2 为工具变量，分别表示投资者

52
 5 实证研究

情绪大于 0 时取 1（0）否则取 0（1）.括号内的数值表示回归标准误，“*”、“**”和“***”分别代表在 10%、

5%和 1%的水平下显著。

表 5-9 结果第一列展示了将行业间波动溢出指数𝑆(𝐻)作为因变量在全样
本回归下的结果，结果显示变量𝑆𝑒𝑛𝑡的系数项显著为正，说明当投资者情绪
上升时，行业间的波动溢出效应会随之增加。这说明市场投资者情绪的乐观
程度与产生风险传染的程度是同向变动的，这是因为大盘价格的变动不仅包
含了宏观基本面的信息，也蕴含着大量投资者对未来的预期，因此导致了市
场投资者在对市场较为乐观时，会因某一行业指数出现波动而进行资产在行
业间的转移。这种行为增加了某一行业的波动向其他行业的传导的可能性，
使行业间波动溢出效应程度增加。
考虑到投资者情绪对市场行业间波动溢出的影响是非对称的，因此本文
将情绪分为乐观和悲观分别进行回归，第二列的回归结果显示，当投资者情
绪乐观时 D1*Sent 的系数向显著为负而 D2*Sent 的系数项显著为正。说明积
极的投资者情绪会降低行业间波动溢出，悲观的投资者情绪会使行业间波动
溢出升高。具体来看，在乐观情绪不明显时，投资者对市场判断并不是特别积
极，此时在行业间仍然会活跃的进行交易和资产转移，随着乐观情绪的升高，
投资者对市场未来的市场行情信息变足，此时由于某一行业指数下跌从而减
持其他行业头寸的可能性越小，行业间的波动溢出效应越小。而投资者情绪
为悲观时，投资者对市场的信心不足，在悲观情绪并不明显时，由“过度反应”
理论，当市场此时的出现的一些负面信息，投资者会对持有的头寸在行业间
进行转移，此时悲观情绪对行业间波动溢出的影响程度较大。当悲观情绪明
显时，文凤华（2014）的研究结论表明在经济下行时期非理性投资者会逐渐退
出市场，此时理性投资者占大多数，投资者情绪对市场的影响程度会有所减
弱。因此当投资者的悲观程度不高时，此时悲观情绪对波动溢出有着较大的
影响，当悲观程度加深时，投资者对市场行情的预期到达低点，资产在不同行
业之间的转移接近尾声，行业间的交易活跃程度下降，投资者情绪对行业间
波动溢出的影响减弱。而从回归系数可以看出，悲观情绪带来的这种正向效
应大于乐观情绪带来的负面效应，在第一列的回归中总体显示出投资者情绪
和行业间波动溢出呈现正相关的关系。

53
行业间波动溢出效应的研究——基于投资者情绪视角

前述实证结果证明了投资者情绪对行业间的波动溢出有着显著的影响。
但是这种影响程度可能与交易者的交易行为所驱动，因此为进一步研究在交
易活跃程度变化的时候投资者情绪对行业间波动溢出效应影响情况，本文建
立如下模型验证在投资者交易活跃程度与投资者情绪的交互项是如何影响行
业间波动溢出效应的：
𝑆(ℎ) = 𝛼 + 𝛽1 ∗ 𝐷1 ∗ 𝑠𝑒𝑛𝑡 + 𝛽2 ∗ 𝐷2 ∗ 𝑠𝑒𝑛𝑡 + 𝛽3 ∗ 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑦 + 𝛽4 ∗ 𝑡𝑒𝑟𝑚 + 𝛽5
∗ 𝐼𝑙𝑙𝑖𝑞 + 𝛽6 ∗ 𝑚𝑎𝑟𝑘𝑒𝑡𝑣𝑎𝑙𝑢𝑒 + 𝛽7 ∗ 𝑡𝑢𝑛𝑜𝑣𝑒𝑟 + 𝐷1𝑆𝑒𝑛𝑡_𝑡𝑢𝑟𝑛
+ 𝐷2𝑆𝑒𝑛𝑡_𝑡𝑢𝑟𝑛 (5.8)
表 5-9 第三列为本次回归结果，𝐷1𝑆𝑒𝑛𝑡_𝑡𝑢𝑟𝑛和𝐷2𝑆𝑒𝑛𝑡_𝑡𝑢𝑟𝑛表示换手率
与𝐷1 𝑠𝑒𝑛𝑡和𝐷2 𝑠𝑒𝑛𝑡的交互项。实证结果显示，𝐷1𝑆𝑒𝑛𝑡_𝑡𝑢𝑟𝑛交互项系数为正，
说明投资者情绪对行业间波动溢出效应的影响与交易活跃度有关，在考虑到
交易活跃程度之后投资者情绪越高涨，交易越活跃，股市波动越大，行业间波
动溢出效应越大，此时交易活跃程度起到扩大波动溢出效应的作用，另一方
面𝐷2𝑆𝑒𝑛𝑡_𝑡𝑢𝑟𝑛交互项系数为负，说明当情绪悲观时，投资者交易活跃程度的
上升在一定程度上是有益的，因为可以抑制这种悲观的投资者情绪的扩散，
从而降低其对行业间波动溢出的影响。

5.3.2 投资者情绪对各行业波动溢出的影响

前述有关复杂网络的研究证明了各行业的波动溢出强度、在溢出网络中
的位置和溢出方向都会随着时间推移发生改变，各种极端事件的发生对不同
行业造成的影响程度也有所不同。例如材料行业和能源行业在极端事件发生
时对其他行业的波动溢出效应有所减弱，信息行业对其他行业的波动溢出会
有所上升，而投资者行为在其中产生了不可忽视的影响。因此本节分别以各
行业的方向性波动溢出效应和各行业净波动溢出效应为被解释变量，以投资
者情绪为主要解释变量，更加细致的研究各行业波动溢出与投资者情绪之间
的关系。
5.3.2.1 投资者情绪与各行业方向性波动溢出
首先以各行业方向性溢出为被解释变量构建回归方程：
𝑆𝑖→𝑗 (ℎ) = 𝛼 + 𝛽1 ∗ 𝑠𝑒𝑛𝑡 + 𝛽2 ∗ 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑦 + 𝛽3 ∗ 𝑡𝑒𝑟𝑚 + 𝛽4 ∗ 𝐼𝑙𝑙𝑖𝑞 + 𝛽5
∗ 𝑚𝑎𝑟𝑘𝑒𝑡𝑣𝑎𝑙𝑢𝑒 + 𝛽6 ∗ 𝑡𝑢𝑛𝑜𝑣𝑒𝑟 (5.9)
54
 5 实证研究

其中𝑆𝑖→𝑗 (ℎ)表示某个行业对其他所有行业的波动溢出，回归结果如表 5-

10 所示，由表 5-10 可以看到材料（上游）、信息（支撑）、能源（上游）、工

业（中游）和金融（支撑）回归结果系数为负，医药、通讯、主要消费和可选
消费的回归系数为正。说明行业分类中的下游行业总体来看波动溢出的强度
随投资者情绪的上升而上升，其他行业的波动溢出会随着投资者情绪的上升
而下降。

55
 行业间波动溢出效应的研究——基于投资者情绪视角

表 5-10 投资者情绪与各行业波动溢出回归结果
被解释变量 各行业对其他行业波动溢出（𝑆𝑖→𝑗 (ℎ)）
行业 材料 医药 信息 通讯 能源 房地产
解释变量 （1） （2） （3） （4） （5） （6）
* ** * ***
-0.2010 0.2020 -0.0666 0.2055 -0.3264 0.4516***
Sent
（0.1055） （0.0907） （0.1647） （0.1096） （0.1043） （0.1542）
0.0756 -0.3864*** 0.6134*** 0.5813*** 1.9265*** -0.1088
TERM
（0.1270） （0.1092） （0.1982） （0.1320） （0.1255） （0.1856）
-0.0002*** -0.0001*** 0.0000*** -0.0002*** -0.0002*** -0.0002***
Marketvalue
（0.0000） （0.0000） （0.0000） （0.0000） （0.0000） （0.0000）
2.70E+08 **
-2.10E+08** 2.71E+07 -5.42E+08*** 5.81E+07 -4.58E+08
Illiq
（1.14E+08） （9.79E+07） （1.78E+08） （1.18E+08） （1.13E+08） （1.67E+08）
-0.0173 -0.2385** -0.8579*** 1.2161*** -0.6837*** 0.8362***
Turnover
（0.1220） （0.1048） （0.1903） （0.1267） （0.1205） （0.1782）
-0.1322 ***
0.1633*** 0.2517*** -0.1457*** 0.0753*** -0.0755***
Volatility
（0.0165） （0.0336 （0.0258） （0.0172） （0.0163） （0.0242）
13.2887*** 0.2616*** 8.3722 *** 12.6119*** 11.3111*** 13.3155***
Constant
（0.1300） （0.0142） （0.2028） （0.1350） （0.1284） （0.1899）
R方 0.4284 0.5282 0.1570 0.6401 0.4611 0.4206
𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑜𝑛𝑠 2220 2220 2220 2220 2220 2220
公用 可选消费 主要消费 工业 金融
（7） （8） （9） （10） （11）
0.2153 0.5621*** 0.9806*** -0.0906 -0.6121***
Sent
（0.1709） （0.1470） （0.1663） （0.1163） （0.1263）
1.6045 ***
1.0640*** -2.6352*** -0.1586 2.3075***
TERM
（0.2058） （0.1769） （0.2001） （0.1399） （0.1521）
0.0000 ***
0.0000*** -0.0002*** -0.0001*** -0.0001***
Marketvalue
（0.0000） （0.0000） （0.0000） （0.0000） （0.0000）
2.53E+08 -7.76E+08*** -1.40E+09*** -7.06E+08*** 3.49E+08**
Illiq
（1.85E+08） （1.59E+08） （1.80E+08） （1.26E+08） （1.36E+08）
-0.0109 1.4764*** 1.6841*** -0.1108 -0.7046***
Turnover
（0.1976） （0.1699） （0.1921） （0.1344） （0.1460）
-0.0757*** 0.1360*** 0.1679*** 0.0630*** -0.1693***
Volatility
（0.0268） （0.0230） （0.0261） （0.0182） （0.0198）
4.0638*** 6.5371*** 11.9782 *** 12.1994*** 9.2148***
Constant
（0.2106） （0.1811） （0.2048） （0.1432） （0.1556）
R方 0.0625 0.2360 0.4512 0.3244 0.2179
𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑜𝑛𝑠 2220 2220 2220 2220 2220

数据来源：Wind 东方财富网

56
 5 实证研究

注：①上表括号内的数值表示回归标准误②“*”、“**”和“***”分别代表在 10%、5%和 1%的水平下显著。

5.3.2.2 投资者情绪与各行业净波动溢出
以上部分研究了投资者情绪与各行业方向性波动溢出的关系，为探讨投
资者情绪对部分行业在波动溢出中的输出波动和接收波动角色的影响，本节
继续以投资者情绪为解释变量，以各行业的净溢出指数为被解释变量进行回
归分析：

𝑁𝐸𝑇𝑆 𝑖 = 𝛼 + 𝛽1 ∗ 𝑠𝑒𝑛𝑡 + 𝛽2 ∗ 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑦 + 𝛽3 ∗ 𝑡𝑒𝑟𝑚 + 𝛽4 ∗ 𝐼𝑙𝑙𝑖𝑞 + 𝛽5

∗ 𝑚𝑎𝑟𝑘𝑒𝑡𝑣𝑎𝑙𝑢𝑒 + 𝛽6 ∗ 𝑡𝑢𝑛𝑜𝑣𝑒𝑟 (5.10)

其中𝑁𝐸𝑇𝑆 𝑖 = [𝑆𝑖→𝑗 ( ℎ) − 𝑆𝑗→𝑖 ( ℎ)]，表示某个行业对其他行业的波动溢出

和遭受其他行业的波动溢出之差，回归结果如表 5-11 所示，回归结果显示，

材料、能源、工业和金融行业系数项显著为负，说明投资者情绪越高，材料、
能源、工业和金融行业的净溢出效应越低，通讯、公用事业、可选消费和主要
消费行业的回归系数显著为正，说明投资者情绪越高，通讯、公用事业、可选
消费和主要消费行业的净溢出效应越高。 总体来看，下游行业中的同通讯、
公用和消费行业的净溢出均与投资者情绪呈正向关系，而剩下的材料、能源、
工业和金融行业分别为上游、中游和支撑行业，这些行业的净溢出效应在投
资者情绪上涨时会有所降低。

57
 行业间波动溢出效应的研究——基于投资者情绪视角

表 5-11 投资者情绪与各行业净溢出回归结果
被解释变量 各行业净溢出（𝑁𝐸𝑇𝑆 𝑖 ）
行业 材料 医药 信息 通讯 能源 房地产
解释变量 （1） （2） （3） （4） （5） （6）
*** * **
-0.3382 0.0582 -0.0967 0.1152 -0.1870 0.0772
Sent
（0.1101） （0.0816） （0.1136） （0.0615） （0.0938） （0.1066）
-0.2097 -0.6945*** 0.0033 0.5150*** 1.3012*** -0.3860***
TERM
（0.1325） （0.0982） （0.1367） （0.0740） （0.1129） （0.1283）
Marketvalu 0.0000 ***
0.0000 0.0000*** 0.0000*** 0.0000*** 0.0000***
e （0.0000） （0.0000） （0.0000） （0.0000） （0.0000） （0.0000）
4.64E+08 ***
-2.04E+08** 2.30E+08* -2.23E+07 3.00E+08*** 1.24E+08
Illiq
（1.19E+08） （8.81E+07） （1.23E+08） （6.64E+07） （1.01E+08） （1.15E+08）
-0.0922 -0.3712*** -1.2311*** 0.8982*** -0.8784*** 0.4430***
Turnover
（0.1272） （0.0943） （0.1313） （0.0711） （0.1084） （0.1232）
-0.1752 ***
0.2919*** 0.2168*** -0.2102*** 0.0550*** -0.1423***
Volatility
（0.0172） （0.0128） （0.0178） （0.0096） （0.0147） （0.0167）
3.6707*** -0.1646 -1.5625*** 0.5241*** 1.4198*** 0.1840
Constant
（0.1356） （0.1005） （0.1399） （0.0757） （0.1156） （0.1313）
R方 0.1691 0.2338 0.1570 0.2214 0.1494 0.0780
𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑜𝑛𝑠 2220 2220 2220 2220 2220 2220
公用 可选消费 主要消费 工业 金融
（7） （8） （9） （10） （11）
0.4814*** 0.3605*** 0.3893** -0.2469** -0.6129***
Sent
（0.1356） （0.1148） （0.1584） （0.1113） （0.1177）
-0.2441 0.8036*** -2.6960*** -0.1999 1.8071***
TERM
（0.1632） （0.1382） （0.1907） （0.1340） （0.1417）
Marketvalu 0.0001 ***
0.0000*** 0.0000*** 0.0000*** 0.0000***
e （0.0000） （0.0000） （0.0000） （0.0000） （0.0000）
2.45E+08 *
-3.69E+08*** -7.83E+08*** -5.20E+08*** 5.36E+08***
Illiq
（1.46E+08） （1.24E+08） （1.71E+08） （1.20E+08） （1.27E+08）
-0.2064 1.0264*** 1.2124*** -0.3521*** -0.4488***
Turnover
（0.1567） （0.1327） （0.1831） （0.1286） （0.1360）
-0.0349 0.0778*** 0.0982*** 0.0284 -0.2056***
Volatility
（0.0212） （0.0180） （0.0248） （0.0174） （0.0184）
-4.8870*** -2.9905*** 1.7009*** 3.0319*** -0.9267***
Constant
（0.1670） （0.1414） （0.1951） （0.1371） （0.1449）
R方 0.2391 01373 0.1740 0.1034 0.1637
𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑜𝑛𝑠 2220 2220 2220 2220 2220

数据来源：Wind 东方财富网

58
 5 实证研究

注：①上表括号内的数值表示回归标准误②“*”、“**”和“***”分别代表在 10%、5%和 1%的水平下显著。

5.3.3 极端事件冲击下投资者情绪对行业间波动溢出效应的影响

可以看到在 2015 年中国股灾、2018 年中美贸易摩擦以及 2020 年新冠疫

情这三个重大事件发生时的特殊时间段，波动溢出指数出现了较大的变动，
结合前述对这三个时间段的分析，本文后续将选用以下三个时间段进行进一
步的分析。
5.3.3.1 投资者情绪和溢出指数时间序列分析
（1）股灾期间

图 5-10 2015 年股灾期间总溢出指数和投资者情绪时序图

从图 5-13 可以看出，在中国股灾期间，行业间波动溢出指数一直处于高
位，2015 年 6 月 12 日，上证指数到达高点。此时大批股民大喊“一万点不是
梦”，然而就在第二天，股市开始暴跌，同时伴随着全国投资者情绪普遍悲观。
股灾从 2015 年 6 月 12 日至 2016 年 1 月 31 日，持续时候参长达 7 个多月，
千古跌停的时间共有 17 天，这段时间让亿万散户血本无归。这种状况一直持
续到 2015 年底才有所好转，整体上看，在国家政策的扶持下，股市在 2015 年
的 8 月维持在 3000 点左右，此时大盘震荡和行业间波动溢出逐渐回归到正常
59
行业间波动溢出效应的研究——基于投资者情绪视角

水平。而对于投资者来说投资者心态好转是一个非常重要的因素，投资者情
绪状况有所回升，有了开始股市暴跌的经历，投资者的风险偏好程度降低，做
出的决策也更加稳健。
（2）中美贸易摩擦期间

图 5-11 2018 年中美贸易摩擦期间总溢出指数和投资者情绪时序图

从图 5-14 可以看出，中美贸易摩擦作为 2018 年最大的黑天鹅事件，这一

事件通过改变了中国投资者对未来市场的预期从而引起了股市的波动。首先
中美贸易摩擦的出现改变了投资者对未来宏观环境的预期，贸易摩擦的产生
不仅仅是两国贸易的斗争，其背后有着各国的战略规划和政治利益冲突。这
种对未来预期的不确定性会影响投资者对市场的信心；其次中美贸易摩擦会
影响到投资者、商人和企业家对产品利润的判断，部分行业非常依赖进出口
如原材料行业，原材料行业的成本变得昂贵，投资者利润减少，从而打击了投
资者积极性。这种情况直到贸易摩擦中段才有所改善，但是 2019 年 5 月 10
日，美国政府突然宣布提升对中国进口产品清单的关税税率，具体为由原来
的 10%提升到 25%，同时对原已征税的商品继续加收 25%、20%和 10%的不
等关税。这一消息极大的影响到了市场，投资者情绪急剧下跌，同时原本已经
恢复正常的行业间的波动溢出指数暴增，随后一段时间才缓慢下降。
60
 5 实证研究

（3）新冠疫情期间

图 5-12 2020 年新冠疫情期间总溢出指数和投资者情绪时序图

图 5-15 显示，2020 年 1 月，新冠疫情全球蔓延，投资者情绪大幅波动。

可以看到 2020 年初的行业间波动溢出效应达到了非常高的位置，随着疫情防
控常态化的进行，新冠疫情在中国得到了有效控制。投资者情绪逐渐好转，行
业间波动溢出逐渐下降，但是 2020 年 3 月，上海疫情突然爆发，投资者情绪
出现了“过度反应”现象，首先是情绪的急剧下跌然后又是突然的上升和暴跌，
随之而来的是行业间波动溢出的暴增，直到一个多月之后疫情得到有效控制，
此时波动溢出逐渐回落并在 2022 年底达到低点。
5.3.3.2 回归分析
为进一步研究极端事件发生期间投资者情绪对行业间波动溢出效应的影
响，本文选择 2015 年中国股灾、2018 年中美贸易摩擦和 2020 年开始的新冠
疫情时期作为研究区间。首先参考杨立生和杨杰（2023）的研究选择 2015 中
国股灾期间（2015 年 6 月 12 日至 2016 年 1 月 31 日）和中美贸易摩擦期间
（2018 年 3 月 9 日至 2019 年 12 月 7 日），根据疫情开始和中国疫情放开政

61
 行业间波动溢出效应的研究——基于投资者情绪视角

策时间选择 2020 年 1 月 1 日至 2023 年 2 月 24 日作为新冠疫情代表时期，三

个样本期分别包含 157 组、908 组和 762 组样本量，回归结果如表 5-12 所示,

表 5-12 极端事件冲击下回归结果
被解释变量 总溢出指数（𝑆(ℎ)）
股灾 中美贸易摩擦 新冠疫情
事件
（2015.6.12-2016.1.31） （2018.3.9-2019.12.7） （2022.1.1-2023.2.24）
解释变量 （1） （2） （3） （4） （5） （6）
0.0980 -1.1337 -4.9906***
Sent
（0.3023） （1.5550） （1.4221）
0.5662 -7.2877*** -9.5476***
D1Sent
（0.4374） （2.2971） （2.0267）
-0.8048 9.2849*** 6.6113*
D2Sent
（0.6818） （3.2667） （3.9583）
-2.4843*** -2.4988*** 10.9591** 10.6697*** -3.2842*** -3.2300**
TERM
（0.3844） （0.3830） （1.4366） （1.4293） （1.2975） （1.2901）
-0.0002*** -0.0002*** -0.0011*** -0.0011*** -0.0028*** -0.0028***
Marketvalue
（0.0000） （0.0000） （0.0000） （0.0000） （0.0000） （0.0000）
-2.20E+08 -2.20E+08 -6.04E+09*** -5.95E+09*** -4.19E+09*** -4.22E+09
Illiq
（1.49E+08） （1.48E+08） （1.13E+09） （1.12E+09） （1.09E+09） （1.08E+09）
-0.7536*** -0.7364*** 18.8420*** 18.8420*** 17.8902*** 17.4665***
Turnover
（0.2756） （0.2748） （3.6150） （3.5936） （1.09E+09） （2.9650）
0.1578 ***
0.1633*** 0.0530*** 1.9600*** 0.2119*** 0.8696**
Volatility
（0.0335） （0.0336 （0.0034） （0.3643） （2.9792） （0.3446）
92.1210*** 92.1026*** 91.3186 *** 93.4363*** 0.9973*** 169.1781***
Constant
（1.0863） （1.0821） （2.3118） （2.3699） （0.3442） （3.3715）
R方 0.7818 0.7850 0.4321 0.4403 0.7750 0.7779
𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑜𝑛𝑠 157 157 908 908 762 762

数据来源：Wind 东方财富网

注：①括号内的数值表示回归标准误②“*”、“**”和“***”分别表示在 10%、5%和 1%的水平下显著。

5.4 本章小结

在数据的处理上，本章根据中证行业指数收盘价计算了 11 个行业的对数
收益率，然后采用 GARCH（1，1），模型对波动率进行建模从而获得了各行
业的波动率时间序列，在此基础上运用 TVP-VAR 对波动率建模，使用预测误
差方差分解的方法计算得出行业间总溢出指数、各行业的方向性溢出指数和
62
 5 实证研究

净溢出指数。
基于上述结果，本文首先对行业间波动溢出效应进行了静态分析，得出
了在整个样本期内行业间波动溢出效应远大于行业内的波动溢出效应，之后
构建了复杂网络以行业间的波动溢出效应为连边权重以行业为节点，将行业
间的波动传导路径可视化，结果表明原材料和能源行业处于波动溢出网络的
中心，但是当极端事件发生的时候，这种这两个行业的波动溢出程度有所改
变，且在本文所选的特殊事件冲击的样本期内，行业间波动溢出效应更为分
散。
为从动态角度研究行业间波动溢出效应，本文基于模型计算出行业间波
动溢出的日度时间序列，首先对各行业波动溢出、遭受波动溢出和净波动溢
出进行分析，发现一方面随着时间的推移各行业的波动溢出和遭受波动溢出
是时变的，并且这种变化在极端事件冲击下更为显著，另一方面，部分行业在
波动溢出中的地位也有所改变，例如金融行业在 2018 年之前长期作为行业间
波动溢出的净接收方，但是在 2018 年的中美贸易摩擦之后转变为了行业间波
动溢出效应的净输出方。
上述的结论均与投资者的行为息息相关，投资者的情绪变化在行业波动
溢出效应中起到了非常重要的作用。因此本文以所构建的投资者情绪为解释
变量，以行业间波动总溢出指数为被解释变量，选用非流动性指数、换手率、
大盘波动率、期限利差和市值变化作为控制变量进行多元回归分析。回归结
果表明在整个样本期内，投资者情绪与行业间的波动溢出效应显著相关，本
文进一步引入工具变量，将投资者情绪分为乐观投资者情绪和悲观投资者情
绪，结果显示乐观的投资者情绪有助于减少行业间的波动溢出效应，而悲观
的投资者情绪会扩大行业间的波动溢出效应。本文认为投资者情绪对不同行
业的影响存在差异，因此以各行业方向性溢出和净溢出为被解释变量进行实
证分析，实证结果显示投资者情绪对各行业的方向性溢出和净溢出具有不同
方向的影响，总体而言投资者情绪的上升会对下游行业的方向性溢出和净溢
出产生负向的影响，而对其他行业产生正向影响。
考虑到行业间波动溢出效应在不同事件冲击下会产生非常大的波动，且
这些时期内的投资者情绪也会受到极大影响，因此本文分时间样本对投资者

63
行业间波动溢出效应的研究——基于投资者情绪视角

情绪和行业间波动溢出进一步分析。实证结果显示，在中美贸易摩擦和新冠
疫情期间积极的投资者情绪均能够在一定程度上减少行业间波动溢出效应，
而悲观的投资者情绪会加重行业间的波动溢出效应。

64
 6 稳健性检验

6 稳健性检验
本文采用替换控制变量的方式进行稳健性检验，将控制变量的大盘波动率
改为大盘收益率进行回归分析。在进行回归之前仍然进行多重共线性检验。
方差膨胀因子检验结果显示 VIF 均不大于 2，说明不存在多重共线性问题，
检验结果如表 6-1 所示：

表 6-1 多重共线性检验
变量 VIF
Sent 1.0186
TERM 1.1434
Marketvalue 1.0857
Illiq 1.0621
Turnover 1.0955
Areturn 1.0447

因此构建如下回归方程：
𝑆(ℎ) = 𝛼 + 𝛽1 ∗ 𝑠𝑒𝑛𝑡 + 𝛽2 ∗ 𝐴𝑟𝑒𝑡𝑢𝑟𝑛 + 𝛽3 ∗ 𝑡𝑒𝑟𝑚 + 𝛽4 ∗ 𝐼𝑙𝑙𝑖𝑞 + 𝛽5
∗ 𝑚𝑎𝑟𝑘𝑒𝑡𝑣𝑎𝑙𝑢𝑒 + 𝛽6 ∗ 𝑡𝑢𝑛𝑜𝑣𝑒𝑟 (6.1)
回归结果如表 6-2 所示：

65
行业间波动溢出效应的研究——基于投资者情绪视角

表 6-2 更换变量之后回归结果
被解释变量 总溢出指数（𝑆(ℎ)）
变量 （1） （2）
1.8853***
Sent
（0.7044）
-7.4488***
D1Sent
（1.0316）
16.6025***
D2Sent
（1.3977）
8.3738*** 7.1742***
TERM
（0.7547） （0.7379）
-0.0012*** -0.0013***
Marketvalue
（0.0000） （0.0000）
-2.76E+09*** -3.05E+09***
Illiq
（7.72E+08） （7.49E+08）
-0.6963 1.1554
Turnover
（0.7369） （0.7303）
-0.1724 -0.1637
Areturn
（0.1415） （0.1371）
103.3066*** 107.5232***
Constant
（0.8483） （0.9020）
R方 0.5193 0.5476
Observations 2220 2220

数据来源：Wind 东方财富网

注：上表𝐷1 𝑠𝑒𝑛𝑡和𝐷2 𝑠𝑒𝑛𝑡分别为𝐷1 ∗ 𝑠𝑒𝑛𝑡和𝐷2 ∗ 𝑠𝑒𝑛𝑡，其中𝐷1 和𝐷2 为工具变量，分别表示投资者情绪大

于 0 时取 1（0）否则取 0（1）
，括号内的数值表示回归标准误，“*”、“**”和“***”分别代表在 10%、5%

和 1%的水平下显著。

回归结果显示本文的核心解释变量投资者情绪在仍然对行业间波动溢出
具备显著影响且系数与前文结果一致，说明原实证模型的结果较为稳健，所
得出的结论较为可靠。

66
 7 研究结论和展望

7 研究结论和展望

7.1 主要工作和结论

本文以中证一级行业分类的十一个行业为研究对象，首先通过 GARCH
（1，1）模型估计了各行业的波动率，然后对 11 个行业波动率采用 TVP-VAR
模型建模，在此基础上参考 Diebold 和 Yilmaz（2012；2014；2015）的研究
计算了行业间波动溢出指数、方向性溢出指数和净溢出指数，从静态和动态
的角度分析了行业间波动溢出效应，并采用复杂网络的方法将各行业间的波
动传导路径可视化。从行为金融学的角度可以在一定程度上解释行业间波动
溢出的变化情况，因此本文引入投资者情绪作为投资者行为解释变量，实证
分析投资者情绪和行业间波动溢出之间的关系。本文所用投资者情绪指标的
构建方式为数据挖掘和文本分析。首先从东方财富网的大盘股吧界面中抓取
了 640 万条发帖信息，然后使用 Python 中的 Jieba 和 snownlp 模块对评论语
句分词和对分词结果进行情感打分，并参考 Antweiler 和 Frank（2004）的做
法计算每日积极和消极的评论数，构建投资者情绪指标，以此构建的投资者
情绪指标能够更真实的反应市场上投资者情绪。在实证分析中，本文先后以
全样本下的行业间波动溢出指数、各行业的方向性溢出指数和各行业净溢出
指数为被解释变量进行回归。进一步的，本文考虑了在中国股灾、中美贸易摩
擦和新冠疫情这三个不同的极端事件发生的时期行业间波动溢出有何变化，
最终得到如下结论：
（1）不同行业的波动溢出强度存在差异，材料和能源和工业行业的净溢
出效应长期为正，其溢出效应明显大于其他行业，处于行业波动溢出的核心
位置。
（2）行业间波动溢出大于行业内的波动溢出，研究波动在行业间的传导
有着重要意义。
（3）行业间波动溢出网路在不同事件冲击下会产生不同的变化。具体表
现为在中国股灾、中美贸易摩擦时期，波动溢出网络的密度显著增大，原材
料、工业和能源等行业的净溢出地位有所改变。不仅如此，两两行业之间的溢
67
行业间波动溢出效应的研究——基于投资者情绪视角

出地位在不同的时期也有不同的特征，例如全样本时期房地产行业对金融行
业为净溢出，但是在新冠疫情时期转变为了金融行业面对房地产行业为净溢
出，信息行业在新冠疫情时期转变为了对所有行业都是净溢出方。
（4）各行业的方向性溢出和净溢出是时变的，且在不同的经济环境下有
着不同的特征。在本文所选取的三个极端事件发生时期，行业间波动溢均出
现了较大波动。
（5）积极的投资者情绪有助于减少行业间的波动溢出，悲观的投资者情
绪会增加行业间的波动溢出，且悲观的投资者情绪对行业间波动溢出的影响
大于乐观的投资者情绪对行业间波动溢出的影响。其原因在于中国股市的投
机者较多，当出现负面消息时投资者更为敏感，非理性交易程度加大，从而加
剧了股市波动。
（6）投资者情绪可以显著的影响部分行业的方向性溢出和净溢出。总体
而言，投资者情绪的上升会对下游行业的方向性溢出和净溢出产生负向的影
响，而对其他行业产生正向影响。
（7）在极端事件如中美贸易摩擦发生时，总体上看投资者情绪越高涨，
行业间波动溢出效应越小。

7.2 启示与建议

基于以上研究结论，本文对市场风险监管和投资者进行投资决策有以下
启示：
（1）对市场监管者而言：①可以发现行业间波动溢出投资者情绪对行业
间波动溢出有着不可忽视的影响，因此市场监管者在防范化解金融风险时应
当关注股市各行业间的板块联动效应，对较为脆弱和联系较为密切的企业提
升风险监控力度，防止风险的跨行业、跨部门和跨市场传染；②当处于不同事
件时期时，监管者应当合理的调整监管措施，对不同的市场环境有针对性的
制定不同政策；③关注投资者的情绪，控制非理性情绪在市场上的传播，避免
投资者出现过度反应或羊群效应，维护国内资本市场的投资信息。④应当重
点关注与国民经济联系较为密切的行业，这类行业在产业上下游中处于极为
重要的位置，是行业间波动溢出的核心，关注这类行业可以有效维护我国金

68
 7 研究结论和展望

融系统的稳定。
（2）对投资者而言：①由于行业板块存在的联动效应，以及行业间波动
溢出的时变性，投资者在进行投资组合时一方面要关注行业之间的上下游关
系以及交易和套利行为，另一方面投资者需要积极的进行投资组合的管理并
避免静态投资，及时识别行业间套期保值的有效性，动态的调整自身头寸。②
投资者应当对市场有着独立的判断，避免被市场上杂乱的信息所干扰，有效
规避行业间的波动溢出，减少自身投资决策的非理性成分。

7.3 研究展望

一方面本文研究所构建的投资者情绪指标数据来源为东方财富网，并没
有选择多个网站的数据进行比较分析，其数据仍然有着一定的局限性，难以
完整的反应所有投资者的情绪，且所用分词和情感打分的方法较为传统，在
情感分析上存在不够精确的问题；另一方面由于专业知识和经验限制，结合
现实对实证结果的解释仍然存在不足，期待未来能够对此进行更好的阐述。

69
行业间波动溢出效应的研究——基于投资者情绪视角

参考文献
[1] Acharya V V, Pedersen H L, Philippon T, et al. Measuring Systemic Risk[J].
Review of Financial Studies, 2017, 30(1): 2-47.
[2] Adrian T, Brunnermeier MK. CoVaR[J]. The American Economic Review,
2016, 106(7): 1705
[3] Alfaro L, Chari A, Greenland A N, et al. Aggregate and firm-level stock returns
during pandemics in real time[R]. National Bureau of Economic Research,
2020.
[4] Allen, F.& Gale, D. Financial Contagion [J]. Journal of Political Economy, 2000,
108(1):1-33.
[5] Alter, A., & Beyer, A. The dynamics of spillover effects during the European
sovereign debt turmoil[J]. Journal of Banking and Finance,2014,42:134–153.
[6] Al-Yahyaee K H, Mensi W, Sensoy A, et al. Energy, precious metals, and GCC
stock markets: Is there any risk spillover?[J]. Pacific-Basin Finance Journal,
2019, 56: 45-70.
[7] Amihud Y. Illiquidity and stock returns: cross-section and time-series effects[J].
Journal of Financial Markets,2002,5(1):31-56.
[8] Antonakakis N, Chatziantoniou I, Gabauer D. Refined measures of dynamic
connectedness based on time-varying parameter vector autoregressions[J].
Journal of Risk and Financial Management, 2020, 13(4): 84.
[9] Antweiler W and Frank M Z ,Is all that talk just noise? The information content
of internet stock message boards [J].The Journal of Finance，2004,59( 3) : 1259-
1294
[10] Araújo D S D A, Garcia M T M. Risk contagion in the north-western and
southern European stock markets[J]. Journal of Economics and Business,
2013,69:1-34.

70
 参考文献

[11] Asaturov, K., Teplova, T.&Hartwell, C.A. Volatility spillovers and contagion in
emerging Europe[J]. Journal of Applied Economic Sciences, 2015, 6(36):929-
945.
[12] Baker M, Stein J. Market liquidity as a sentiment indicator[J]. Journal of
Financial Markets, 2004, 7(3):271-299.
[13] Baker M., Wurgler J.. Investor Sentiment and the Cross-Section of Stock
Returns[J]. The Journal of Finance, 2006, 61(4): 1645-1680.
[14] Balcilar M, Elsayed A H, Hammoudeh S. Financial connectedness and risk
transmission among MENA countries: Evidence from connectedness network
and clustering analysis[J]. Journal of International Financial Markets,
Institutions and Money, 2023,82: 101656.
[15] Baldi, L., Peri, M.& Vandone, D. Stock markets' bubbles burst and volatility
spillovers in agricultural commodity markets[J]. Research in International
Business and Finance, 2016,38:277-285.
[16] Bana A, Elie B, Nedal F A, et al. Systemic risk spillover across global and
country stock markets during the COVID-19 pandemic[J]. Economic Analysis
and Policy, 2021,71:180-197.
[17] Barber M B, Odean T .All That Glitters: The Effect of Attention and News on
the Buying Behavior of Individual and Institutional Investors[J].The Review of
Financial Studies,2008,21(2):785-818.
[18] Barigozzi M, Hallin M. A network analysis of the volatility of high dimensional
financial series[J].Journal of the Royal Statistical Society: Series C (Applied
Statistics),2017,66(3):581-605.
[19] Baumol WJ. An expected gain-confidence limit criterion for portfolios
election[J]. Management Science, 1963,10(1):174-182
[20] Billio M, Getmansky M, Lo W A, et al. Econometric measures of connectedness
and systemic risk in the finance and insurance sectors[J]. Journal of Financial
Economics,2012,104(3):535-559.

71
行业间波动溢出效应的研究——基于投资者情绪视角

[21] Bo W, Yang X. Risk spillovers from China's and the US stock markets during
high-volatility periods: Evidence from East Asianstock markets[J].
International Review of Financial Analysis, 2023, 86: 102538.
[22] Brownlees, C., & Engle, R. F. SRISK: A conditional capital shortfall measure
of systemic risk[J]. The Review of Financial Studies, 2017,30(1), 48–79.
[23] Das R S, Chen Y M. Yahoo! For Amazon: Sentiment Extraction from Small
Talk on the Web[J]. Management Science,2007,53(9):1375-1388.
[24] Ding Q, Huang J, Zhang H. Time-frequency spillovers among carbon, fossil
energy and clean energy markets: The effects of attention to climate change[J].
International Review of Financial Analysis, 2022, 83: 102-222.
[25] Dougal C., Parsons C. A.. Journalists and the Stock Market[J].The Review of
Financial Studies, 2012, 25(3): 639-679.
[26] Gabauer D, Gupta R. On the transmission mechanism of country-specific and
international economic uncertainty spillovers: Evidence from a TVP-VAR
connected -ness decomposition approach[J]. Economics Letters, 2018,171:63-
71.
[27] Geng J, Du Y, Ji Q, et al. Modeling return and volatility spillover networks of
global new energy companies[J]. Renewable and Sustainable Energy Reviews,
2021, 135: 110214.
[28] Hassan K, Hoque A, Wali M, et al. Islamic stocks, conventional stocks, and
crude oil: Directional volatility spillover analysis in BRICS[J]. Energy
Economics, 2020, 92: 104985.
[29] Hautsch, N., Schaumburg, J., & Schienle, M. Financial network systemic risk
contributions[J]. Review of Finance,2015,19(2): 685–738.
[30] Ikram J, Mohamed A, Frédéric T. On the effects of world stock market and oil
price shocks on food prices: An empirical investigation based on TVP-VAR
models with stochastic volatility[J]. Energy Economics,2014,45:66-98.

72
 参考文献

[31] Ji Q, Bouri E, Roubaud D, et al. Risk spillover between energy and agricultural
commodity markets: A dependence-switching CoVaR-copula model[J]. Energy
Economics, 2018,75:14-27.
[32] Jiang S, Fan H. Credit risk contagion coupling with sentiment contagion[J].
Physica A: Statistical Mechanics and its Applications,2018,512:186-202.
[33] Kaplanski G, Levy H. Sentiment and stock prices: The case of aviation
disasters[J]. Journal of financial economics, 2010, 95(2): 174-201.
[34] L. S H, Ranjan N S. News vs. Sentiment: Predicting Stock Returns from News
Stories[J]. Financial Analysts Journal,2017,73(3):67-83.
[35] Liu, X., An, H., Li, H., et al. Features of spillover networks in international
financial markets: Evidence from the G20 countries[J]. Physica A: Statistical
Mechanics and its Applications, 2017,479:265-278.
[36] Ljungqvist A, Wilhelm W J. IPO Pricing in the Dot-Com Bubble[J]. The Journal
of Finance, 2003, 58(2):723-752.
[37] Minsky H. The financial instability hypothesis: capitalist process and the
behavior of the economy in financial crises[J]. 1982:282
[38] Naeem M A, Karim S, Tiwari A K. Quantifying systemic risk in US industries
using neural network quantile regression[J]. Research in International Business
and Finance, 2022, 61: 101648.
[39] Nakajima J, Kasuya M, Watanabe T. Bayesian analysis of time-varying
parameter vector autoregressive model for the Japanese economy and monetary
policy[J]. Journal of the Japanese and International Economies, 2011, 25(3):
225-245.
[40] Nikolaos A, Juncal C, George F, et al. Oil volatility, oil and gas firms and
portfolio diversification[J]. Energy Economics,2016,70:499-515.
[41] Nippani S, and Washer. K M. 2004. “SARS: A Non-event for Affected Countries’
Stock Markets? [J]” Applied Financial Economics,2004, 14 (15): 1105–1110.
[42] Qiu L X, Welch I. Investor Sentiment Measures[J]. Nber Working Papers, 2004,
117(35):367-377.

73
行业间波动溢出效应的研究——基于投资者情绪视角

[43] Radu L, Cantemir A C, Georgiana C Z, et al. Systemic Risk Spillovers in the

European Energy Sector[J]. Energies, 2021,14(19):6410.
[44] Ruiz E. J., Hristidis V., Castillo C., et al. Correlating Financial Time Series with
Micro-Blogging Activity[C]. Proceedings of the 5th ACM International
Conference on Web Search and Data Mining. ACM, 2012: 513-522
[45] Shigang W, Jianping L, Chuangxia H, et al. Extreme risk spillovers among
traditional financial and FinTech institutions: A complex network
perspective[J]. Quarterly Review of Economics and Finance, 2023, 88: 190-
202.
[46] Si J, Mukherjee A, Liu B, et al. Exploiting topic based twitter sentiment for
stock prediction[C]. Proceedings of the 51st Annual Meeting of the Association
for Computational Linguistics. 2013,2: 24-29.
[47] Sylvain B, Jean-Edouard C, Christophe H, et al. Where the Risks Lie: A Survey
on Systemic Risk[J]. Review of Finance,2017,21(1):109-152.
[48] White, H., Kim, T. H., & Manganelli, S. VAR for VaR: Measuring tail
dependence using multivariate regression quantiles[J]. Journal of Econometrics,
2015, 187(1): 169-188.
[49] Wu F. Sectoral contributions to systemic risk in the Chinese stock market[J].
Finance Research Letters, 2019,31:386-390
[50] Wu F., Zhang D.& Zhang, Z. Connectedness and risk spillovers in China's stock
market: A sectoral analysis[J]. Economic Systems, 2019, 43(3):1-14.
[51] Yao C Z, Li M J. GARCH-MIDAS-GAS-copula model for CoVaR and risk
spillover in stock markets[J]. The North American Journal of Economics and
Finance, 2023, 66: 101910.
[52] Yuntong L ,Yu W ,Qian W , et al.International stock market risk contagion
during the COVID-19 pandemic.[J].Finance research letters,2022,45:102145-
102145.

74
 参考文献

[53] Zhenzhen L, Yang Z. The Risk Spillover Effect of COVID-19 Breaking News
on the Stock Market[J]. Emerging Markets Finance and Trade, 2022, 58(15):
4332-4337.
[54] Zhou D, Liu X, Tang C, et al. Time-varying risk spillovers in Chinese stock
market–New evidence from high-frequency data[J].The North American
Journal of Economics and Finance, 2023, 64:101870.
[55] 丁庭栋,赵晓慧.不同行业与金融系统的波动溢出效应分析[J].统计与决
策,2012,(03):162-166.
[56] 董珊珊,冯芸.我国股指期货市场与股票市场风险传导机理研究——基于双
变量CAViaR方法[J].运筹与管理,2017,26(03):148-156.
[57] 范奎,赵秀娟,汪寿阳.全球主要股市间信息溢出的变异性研究[J].管理科学
学报,2010,13(09):87-97.
[58] 方意,宋佳馨,谭小芬.中国金融市场之间风险溢出的时空特征及机理分析
——兼论中美贸易摩擦对金融市场的影响[J].金融评论,2020,12(6):20-43.
[59] 宫 晓 莉 , 熊 熊 . 波 动 溢 出 网 络 视 角 的 金 融 风 险 传 染 研 究 [J]. 金 融 研
究,2020(05):39-58.
[60] 何诚颖.中国股市“板块现象”分析[J].经济研究, 2001,12:82-87.
[61] 胡昌生,池阳春.情绪预测性与市场择时[J].投资研究,2014,33(04):101-119.
[62] 黄润鹏,左文明,毕凌燕.基于微博情绪信息的股票市场预测[J].管理工程学
报,2015,29(01):47-52.
[63] 李政,王子美,张亚宁.波动溢出网络视角下全球主要货币汇率风险传染研
究[J].财经理论与实践,2022,43(04):2-9.
[64] 刘超,郭亚东.多时间尺度下行业间系统性金融风险溢出及拓扑结构分析[J].
中国管理科学,2022,30(10):46-59.
[65] 罗琦,吴乃迁,苏愉越等.投资者盈余乐观情绪与管理者迎合——基于社交
媒体情感分析的证据[J].中国工业经济,2021(11):135-154.
[66] 饶育蕾,杨琦.我国封闭式基金折价交易的行为金融学实证分析[J].中南大
学学报(社会科学版),2003,9(03):346-350.

75
行业间波动溢出效应的研究——基于投资者情绪视角

[67] 宋清华,陈沙,李晨悦. 新冠肺炎疫情对我国资本市场的影响与对策[J].财政

监督,2020(14):21-30.
[68] 文凤华,肖金利,黄创霞,陈晓红,杨晓光.投资者情绪特征对股票价格行为的
影响研究[J].管理科学 学报,2014,17(03):60-69.
[69] 吴金宴,王鹏.哪些因素影响了股市风险传染?——来自行业数据的证据[J].
中国管理科学,2022,30(08):57-68.
[70] 吴永钢,赵航,卜林.中国金融体系内极端风险溢出关系研究[J].南开经济研
究,2019,209(05):98-121.
[71] 武佳薇,汪昌云,陈紫琳等.中国个人投资者处置效应研究——一个非理性
信念的视角[J].金融研究,2020(02):147-166.
[72] 严俊宏.基于投资者情绪的股市波动非对称性研究[J].技术与市场, 2013,
20(05): 333-335.
[73] 杨立生,杨杰.波动溢出网络视角下全球股市风险传染研究[J].金融理论探
索,2021(06):26-38.
[74] 杨立生,杨杰.波动溢出网络视角下行业关联及风险传染效应研究[J].数量
经济研究,2023,14(01):77-100.
[75] 杨 潇 . 投 资 者 情 绪 与 市 场 成 交 量 关 系 的 实 证 分 析 [J]. 统 计 与 决 策 ,
2016(24):163-166.

[76] 杨晓兰,沈翰彬,祝宇.本地偏好､投资者情绪与股票收益率:来自网络论坛的

经验证据[J].金融研究,2016(12):143-158.
[77] 尹海员,吴兴颖.投资者高频情绪对股票日内收益率的预测作用[J].中国工
业经济,2019(08):80-98.
[78] 张伟平,曹廷求.中国房地产企业间系统性风险溢出效应分析——基于尾部
风险网络模型[J].金融研究,2022(07):94-114.

[79] 张雪彤,张卫国,王超.发达市场与新兴市场的尾部风险—溢出､传染与传染

动因检验[J/OL].中国管理科学:1-12[2023-05-13]
[80] 张宗新,吴钊颖.媒体情绪传染与分析师乐观偏差——基于机器学习文本分
析方法的经验证据[J].管理世界,2021,37(01):170-185.

76
 参考文献

[81] 中国人民银行福州中心支行课题组,张仁坤.混业经营趋势下我国金融业主
要子行业联动性及风险溢出效应研究[J].金融经济,2020(04):24-35.
[82] 周开国,邢子煜,彭诗渊.中国股市行业风险与宏观经济之间的风险传导机
制[J].金融研究,2020(12):151-168.

77
81